Contrastive sensitivity learning for unsupervised node importance evaluation in complex networks

Yiming Dai

doi:10.1016/j.knosys.2026.116012

2026-04-20

PRE

Yiming Dai

Yu Fu *

Bin Yu *

DOI：10.1016/j.knosys.2026.116012

原文链接

原文求助

摘要

En 中文

在复杂网络中，评估节点重要性对于理解信息传播、网络鲁棒性和资源分配至关重要。然而，现有方法大多依赖监督信号或动态传播模型，这些方法往往获取成本高且可能无法准确反映复杂网络中的节点重要性。为解决此问题，我们提出了一种基于对比敏感度学习的无监督节点重要性评估框架。其核心思想是通过将节点特征替换为常数矩阵来构建属性消融对比视图，从而抑制属性异质性并突出结构信息。然后通过基线视图与消融视图之间的嵌入差异量化节点对结构和属性扰动的敏感性，作为重要性估计的基础。与强制表示不变性的传统多视图对比学习不同，我们的方法明确放大视图间差异以揭示属性依赖的重要性。该框架完全无监督，与主流GNN编码器兼容，并灵活支持多样的视图生成策略。在公共图数据集（如Cora、CiteSeer、PubMed和Amazon）上的广泛实验表明，所提方法与传统中心性度量（度中心性、介数中心性、紧密中心性和PageRank）和现有GNN基排名方法具有高秩相关性，并在SIR传播验证中持续优于这些方法。这些结果证实了对比敏感度学习不仅能提升节点重要性评估的准确性和鲁棒性，还为理解复杂网络中的信息传播和结构脆弱性提供了新的理论视角。

Keyword:

node importance

contrastive sensitivity learning

complex networks

unsupervised learning

graph neural networks