.png){kind=icon}
返回
FSC-MAE: Feature structure coordinated mask autoencoder
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2026.133957.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
掩码图自编码器（MAEs）作为一种新颖的自监督学习范式出现，通过重构掩码图信息学习节点表示。节点特征和结构特征编码不同层次的语义信息，使得特征融合和协同学习对于构建有效表示至关重要。然而，大多数现有方法采用单一视角的掩码策略，仅掩码节点特征或图拓扑，未能充分挖掘节点属性与结构信息的协同关系。此外，当前方法缺乏对节点深层上下文信息的有效建模。为解决这些局限性，我们提出特征-结构协同掩码图自编码器（FSC-MAE）。FSC-MAE采用协同掩码策略，同时掩码节点特征和边连接，形成具有联合特征-结构信息损失的自监督学习框架。此外，我们设计了特征-结构互补偿机制，实现双向互补学习，并从多跳邻域中捕捉深层语义关系，有效克服了传统方法在协同建模和上下文感知方面的不足。在多个基准数据集上的广泛实验表明，FSC-MAE在链路预测和节点分类任务上均取得显著性能提升，验证了所提出的协同掩码策略的有效性。
Keyword:
Masked Graph Autoencoders
Feature-Structure Collaboration
Self-Supervised Learning
Node Representation
Graph Reconstruction
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
引用论文
Unsupervised graph structure learning based on optimal graph topology modeling and adaptive data augmentation基于最优图拓扑建模和自适应数据增强的无监督图结构学习.png)
IF0
PREAI
分享收藏分享收藏
分享收藏分享收藏
查看更多内容