WWW22 | 无监督图结构学习

近年来，图神经网络（GNNs）已成为各种图相关应用中成功的工具。然而，现有GNN 过于依赖原始图结构，当原始图结构中出现噪声连接时，GNN 的性能会大幅降低。为了解决这一问题，最近出现的深度图结构学习（GSL）方法提出在节点分类任务的监督下与 GNN 一起联合优化图结构。这些方法关注的是监督学习场景，这导致了对标签的依赖、边分布的偏差以及对应用任务的限制。为此本文提出了一种无监督的深度图结构学习方法 SUBLIME（StrUcture Bootstrapping contrastive LearnIng fraMEwork）。SUBLIME 结合已有的对比学习技术，通过最大化原图和学习图之间的互信息为模型训练提供指导。此外，本文设计了一种新的 bootstrapping 机制，在模型学习过程中用学习到的结构提升原图。在八个数据集上的广泛实验证实了 SUBLIME 的有效性。