6月3日，記者從山西大學(xué)獲悉，該校智能信息處理研究所團(tuán)隊(duì)日前在圖神經(jīng)網(wǎng)絡(luò)研究方面取得重要進(jìn)展。相關(guān)成果發(fā)表于人工智能領(lǐng)域國際期刊《IEEE模式分析與機(jī)器智能學(xué)報(bào)》。

圖神經(jīng)網(wǎng)絡(luò)（GNN）是當(dāng)前圖結(jié)構(gòu)數(shù)據(jù)處理的核心技術(shù)，廣泛應(yīng)用于社交網(wǎng)絡(luò)分析、生物信息處理、物理建模等領(lǐng)域。然而，其性能嚴(yán)重依賴于標(biāo)注節(jié)點(diǎn)的質(zhì)量與數(shù)量，而真實(shí)場景中標(biāo)簽通常稀缺、獲取成本高昂。

對此，研究團(tuán)隊(duì)創(chuàng)新性地構(gòu)建了多通道圖自監(jiān)督學(xué)習(xí)模型，通過引入“特征解耦”機(jī)制，實(shí)現(xiàn)了對多種自監(jiān)督信號的精細(xì)建模與融合，有效提升了模型在半監(jiān)督節(jié)點(diǎn)分類任務(wù)中的魯棒性與泛化能力。

與以往的單一圖自監(jiān)督學(xué)習(xí)策略不同，新方法將節(jié)點(diǎn)表示拆分為“共享”與“互補(bǔ)”兩個(gè)部分，分別施加一致性約束、重構(gòu)約束和對齊約束，使得模型能在不同通道（拓?fù)洹傩?、潛在結(jié)構(gòu)）之間有效分離并利用自監(jiān)督信息，克服了不同類型自監(jiān)督信號沖突問題，且通過互信息理論解釋了新模型在多種自監(jiān)督信號協(xié)同與融合上的能力。

通過在多個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)驗(yàn)證后發(fā)現(xiàn)，新方法在節(jié)點(diǎn)分類準(zhǔn)確率上顯著優(yōu)于當(dāng)前主流方法，特別是在標(biāo)簽比例低于1%的極端條件下，仍保持優(yōu)異性能，顯示出極強(qiáng)的實(shí)際應(yīng)用前景。