Disentangled Generative Graph Representation Learning

Xinyue Hu

doi:10.1109/tnnls.2026.3679557

Disentangled Generative Graph Representation Learning

2026-04-16

0

PRE

AI

DOI：10.1109/tnnls.2026.3679557

原文链接

原文求助

摘要

En 中文

生成式图模型近期在自监督学习（SSL）的图表示任务中作为一种强大范式涌现，展示了在捕捉复杂结构和特征信息的显著潜力。尽管前景广阔，但大多数现有生成式图表示学习（GRL）方法将整个图视为单一实体，在整个结构上采用随机掩码策略。这种方法往往忽略了图中不同子结构之间的复杂交互，导致表示纠缠。这种纠缠会降低学习模型的鲁棒性，并限制其产生可靠输出的能力。为解决这些局限性，本文提出了解耦生成式图表示学习（DiGGR），一种旨在解耦图表示中潜在因素的全新SSL框架。DiGGR引入了解耦驱动的方法来指导图掩码建模，使框架能够学习到能够更好捕捉图底层数据的独立潜在因素。通过将这些潜在因素纳入端到端的联合学习过程，DiGGR增强了学习表示的清晰度和结构对齐性，同时提升了其鲁棒性和跨任务泛化能力。通过在涵盖三种不同图学习任务的15个公开数据集上的广泛实验验证了DiGGR的有效性。结果表明，DiGGR在多种自监督方法中表现更优，突显了其学习有意义且解耦表示的卓越能力。这些发现强调了DiGGR在推动生成式GRL研究前沿方面的潜力。

Keyword:

Disentangled representation learning

graph representation learning (GRL)

probabilistic inference

Disentangled Generative Graph Representation Learning

摘要

期刊

机构

引用论文