具备数据高效学习的位姿感知子图神经网络

图上的数据高效学习（GEL）在现实应用中至关重要。现有 GEL 方法聚焦于利用“少量”标注数据学习节点、边或整图的实用表示。但子图预测的数据高效学习问题尚未被探索。该问题的挑战在于以下方面：1）子图亟需学习位置特征以获取其所处基图中的结构信息。尽管现有子图神经网络方法能够学习解耦的位置编码，但整体计算复杂度极高。2）主流用于 GEL 的图增强方法，包括基于规则、基于采样、自适应与自动化方法，均不适用于子图增强，因为子图包含更少节点却具有更丰富的信息如位置、邻居与结构。子图增强更易受不良扰动影响。3）基图中仅少量节点包含于子图，这导致潜在的“偏置”问题，即子图表示学习被这些“热门”节点主导。相比之下，其余节点未能被充分学习，降低了子图表示学习的泛化能力。本文旨在应对上述挑战，提出一种用于子图神经网络的位姿感知数据高效学习框架 PADEL。具体而言，我们提出一种无锚点的新颖节点位置编码方法，并基于扩散变分子图自编码器设计一种新的生成式子图增强方法，且提出用于子图对比学习的探索性与可开发性视图。在三个真实数据集上的大量实验结果表明，我们所提方法优于最先进的基线。