A survey on graph structure learning

doi:10.1016/j.neucom.2026.134114

A survey on graph structure learning

2026-05-27

0

PRE

AI

DOI：10.1016/j.neucom.2026.134114

原文链接

原文求助

摘要

En 中文

图神经网络（GNNs）在各类图相关任务中展现出强大性能，但当输入图存在噪声、不完整或对抗性扰动时，其准确性会显著下降。图结构学习（GSL）通过优化或诱导图拓扑结构来解决此问题，以更好地支持表示学习和下游任务。自2023年以来，该领域通过图Transformer、大语言模型增强方法以及因果结构发现等途径得到扩展，同时范式间的界限变得模糊。现有综述仅覆盖了这一快速演进领域的一部分。本文综述了GSL的进展，重点涵盖截至2025年初的研究成果。我们从图信号处理、生物合理性、动力系统及优化理论四个理论视角审视GSL，将超过80种方法组织到一个二维框架中，通过明确的分类标准阐明反复出现的边界案例，并整合了19个数据集上的基准证据。在统一评估中，GSL在噪声图、异配性图或不完整图上最为有效，而在干净的同配性基准上收益通常较小。综述最后提供了方法选择的实用指南和研究路线图。

Keyword:

Graph Structure Learning

Graph Neural Networks

Noisy Graphs

Heterophilous Graphs

Benchmark Evaluation

A survey on graph structure learning

摘要

期刊

机构

引用论文