SPGCL：基于SVD引导的结构扰动的简单而强大的图对比学习
机器学习
2026-02-04 v2 人工智能
摘要
图神经网络（GNN）对来自对抗性攻击或不完美因素的结构噪声高度敏感。现有的图对比学习（GCL）方法通常依赖于随机扰动（如边缘删除）以实现多样性，或依赖谱增强（如SVD）以保留结构先验。然而，随机扰动缺乏对结构的敏感性，可能删除关键边缘；而SVD基方法往往缺乏足够的多样性。将这些范式集成具有挑战性，因为它们分别在离散边缘删除和连续矩阵分解上 operate。我们提出SPGCL，一种通过SVD引导的结构扰动实现稳健GCL的框架。基于最近发展的一种将结构扰动理论推广到任意图的方法，我们设计了两阶段策略：（1）轻量级随机边缘删除以注入多样性，（2）截断SVD以派生结构感知评分矩阵，用于稀疏的top-P边缘恢复。这种集成提供了三项优势：（1）对意外删除的鲁棒性，因为重要边缘可以被SVD引导的评分恢复；（2）通过引入语义上有意义的边缘来丰富缺失的链接，创建更具信息性的对比视图；（3）可控的结构差异，确保对比信号源于语义差异而非边缘数量差异。此外，我们引入了带有全局相似性约束的对比融合模块以对齐嵌入。在十个基准数据集上的大量实验表明，SPGCL在鲁棒性和准确性方面一致优于最新的GCL和结构学习方法，验证了其在整合此前离散范式方面的有效性。
引用
@article{arxiv.2602.00064,
title = {SPGCL: Simple yet Powerful Graph Contrastive Learning via SVD-Guided Structural Perturbation},
author = {Hao Deng and Zhang Guo and Shuiping Gou and Bo Liu},
journal= {arXiv preprint arXiv:2602.00064},
year = {2026}
}