.png){kind=icon}
返回
Multi-scale tree-guided contrastive learning for structure-aware graph representation
.png){kind=icon}
OA
AI
DOI：10.1007/s40747-025-02219-7.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
现有图对比学习（GCL）方法通常依赖随机扰动来生成增强视图。然而，它们往往无法显式建模高阶结构语义。大多数方法在全节点上应用统一的扰动强度，忽略了局部图属性，导致结构感知能力受限。此外，主流对比目标主要关注全局对齐，因而难以区分细粒度的拓扑变化。为解决这些局限性，我们提出了一种基于多尺度树引导的结构感知图表示对比学习方法，简称MTGCL。MTGCL通过从视图构建到优化目标的协同改进，提升了结构感知和区分能力。具体而言，我们首先基于多跳树邻域构建结构视图，以显式编码多尺度拓扑依赖。接着，我们引入双通道增强策略，同时扰动图拓扑和节点属性，生成多样且结构敏感的视图。该组合确保了互补的信息扭曲——拓扑扰动针对局部结构角色，而属性扰动针对语义内容一致性。通过敏感性分析验证了所选固定扰动概率的有效性，确认这些参数维持了稳健稳定的性能范围，避免了过度对齐或过度结构破坏。最后，我们设计了双路径对比目标，强制增强视图间的语义一致性，并确保结构视图与增强视图的结构区分性，从而实现全局和局部表示的协同优化。在五个常用基准数据集上的实验结果表明，MTGCL优于基线方法，平均提升1.76%。额外的消融和敏感性分析进一步验证了模型稳健的泛化能力和参数稳定性，这些特性促使其显式地建模多阶结构。
Keyword:
Graph contrastive learning
Multi-scale tree view
Structure-aware representation
Graph data augmentation
Topological dependency modeling
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
C
IF:
4.6
论文数:
295
被引数:
0
机构
引用论文
分享收藏Scaling Graph Neural Networks with Approximate PageRank.png)
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningOAAI
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏分享收藏Scalable Parallel Algorithm for Graph Neural Network Interatomic Potentials in Molecular Dynamics Simulations分子动力学模拟中图形神经网络原子间势的可扩展并行算法
OAAI
OAAI分享收藏Transfer learning with graph neural networks for improved molecular property prediction in the multi-fidelity setting使用图神经网络进行迁移学习，以改善多保真度设置中的分子特性预测NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏A survey of graph neural network based recommendation in social networks基于图神经网络的社交网络推荐研究综述NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏
查看更多内容