重访图自编码器：作为隐式对比学习器
机器学习
2026-05-28 v2 人工智能
机器学习
摘要
图自编码器（GAEs）和图对比学习（GCL）是图上自监督表征学习的两种主要范式，但通常以孤立的方式研究，并被视为根本不同的方法。本文通过对比学习的视角重新审视GAEs，指出结构基于和特征基于的GAEs都可概念化为隐式图对比学习器。这种视角揭示了许多现有GAEs的主要区别在于对比视图的构建方式，而非学习目标或体系结构。基于这一洞见，我们引入了统一的表述，突出对比视图设计作为GAEs中中心且之前较少探索的维度。特别地，我们确定由于子图视图不匹配导致的非对称对比视图作为先前GAE研究中重要且未被充分探索的设计轴。我们在统一框架中 formalized此见解，并在代表性图学习任务上进行系统实验，以检验其对性能和效率的影响。我们的结果表明，将GAEs解释为隐式对比学习器提供了对现有模型的更清晰理解，并为设计有效且可扩展的图自编码器提供了实用指导。
引用
@article{arxiv.2410.10241,
title = {Revisiting Graph Autoencoders as Implicit Contrastive Learners},
author = {Jintang Li and Ruofan Wu and Yuchang Zhu and Huizhe Zhang and Zulun Zhu and Liang Chen},
journal= {arXiv preprint arXiv:2410.10241},
year = {2026}
}
备注
KDD 2026 research track. Code available at https://github.com/EdisonLeeeee/lrGAE