Global-Local Contrastive Graph Transformer for Node Classification

doi:10.1109/tbdata.2026.3702390

Global-Local Contrastive Graph Transformer for Node Classification

2026-06-10

0

PRE

AI

DOI：10.1109/tbdata.2026.3702390

原文链接

原文求助

摘要

En 中文

图 Transformer 在节点分类任务中表现出良好的性能。与使用整个图作为输入不同，近期方法侧重于为目标节点构建标记序列，以提高可扩展性并减少大型图中的噪声。然而，基于标记序列的图 Transformer 存在三个关键局限性：（1）在捕捉全局信息时能力有限，同时遗漏了来自距离较远但相关节点的精细洞察；（2）在局部上下文采样中对拓扑与属性间相互作用的考虑不足；（3）不同标记类型在同一序列中混合可能造成的干扰。为应对这些挑战，我们提出了一种新颖的全局-局部对比图 Transformer，称为 GLFormer，通过整合全局和局部图信息更全面地学习节点表示。从全局视角来看，我们利用图层次结构构建分层全局序列，以捕捉从粗粒度到细粒度的全局信息。从局部视角来看，我们通过从基于属性相似性构建的加权图中采样节点来构造局部序列，有效保留拓扑和属性信息。此外，我们引入了一种全局-局部对齐损失，该损失对齐不同标记序列学习到的节点表示，进一步增强了目标节点表示的表达能力。实证结果表明，GLFormer 在13个广泛使用的图基准测试中一致优于主流基线方法。

Keyword:

Graph Transformer

node classification

layer-wise global sequence

graph contrastive learning

graph data mining

Global-Local Contrastive Graph Transformer for Node Classification

摘要

期刊

机构

引用论文