基于谱引导和拉普拉斯增强的自监督图形学习
机器学习
2025-06-26 v1 人工智能
数据结构与算法
摘要
我们提出了LaplaceGNN，这是一种新型的自监督图学习框架，无需负采样即可利用谱引导技术。我们的方法将拉普拉斯信号整合到学习过程中，使模型能够在不依赖对比目标或手工增强的情况下有效捕获丰富的结构表示。通过关注正对齐，LaplaceGNN实现了线性规模，提供了一个更简单、更高效的图神经网络自监督替代方案，可适用于各种领域。我们的贡献有两个方面：我们通过最大-最小中心度引导的优化预计算谱增强，实现了无需手工增强即可获得丰富的结构监督；然后我们整合了一个对抗式引导训练方案进一步加强特征学习和鲁棒性。我们在不同基准数据集上的大量实验表明，LaplaceGNN的性能优于最先进的自监督图方法，为高效学习表达图表示提供了有前景的方向。
引用
@article{arxiv.2506.20362,
title = {Self-Supervised Graph Learning via Spectral Bootstrapping and Laplacian-Based Augmentations},
author = {Lorenzo Bini and Stephane Marchand-Maillet},
journal= {arXiv preprint arXiv:2506.20362},
year = {2025}
}
备注
LaplaceGNN is a novel graph learning framework that employs a bootstrapped teacher-student architecture. Its precomputed spectral augmentations and adversarial training enable robust performance, outperforming SOTA methods while scaling linearly