拓扑学重要性：基于神经启发基准的图级SSL警示性案例研究
机器学习
2026-02-04 v1 人工智能
摘要
理解局部互动如何导致全脑组织 requires 能够跨多个尺度表示信息的模型。我们引入了一个层次化自监督学习（SSL）框架，联合学习节点级、边级和图级嵌入，灵感来自多模态神经成像。我们构建了一个可控的合成基准，模拟连接组的拓扑属性。我们的四阶段评估协议揭示了一个关键失败：基于不变性的SSL模型与基准的拓扑属性严重错位，被经典的拓扑感知启发式方法所取代。消融实验确认这是一种客观不匹配：为抗拓扑扰动而设计的SSL目标学习时会忽略经典方法所利用的那些社区结构。我们的结果暴露了将通用图级SSL应用于类似连接组数据时的根本性陷阱。我们将这个框架作为警示性案例研究呈现，凸显了为神经-AI研究开发新型拓扑感知SSL目标的必要性，这些目标明确奖励结构保存（例如模块性或motif）。
引用
@article{arxiv.2602.03217,
title = {Topology Matters: A Cautionary Case Study of Graph SSL on Neuro-Inspired Benchmarks},
author = {May Kristine Jonson Carlon and Su Myat Noe and Haojiong Wang and Yasuo Kuniyoshi},
journal= {arXiv preprint arXiv:2602.03217},
year = {2026}
}