山西大學研究團隊創新圖神經網絡模型

6月3日，記者從山西大學獲悉，該校智能信息處理研究所團隊日前在圖神經網絡研究方面取得重要進展。相關成果發表于人工智能領域國際期刊《IEEE模式分析與機器智能學報》。

圖神經網絡（GNN）是當前圖結構數據處理的核心技術，廣泛應用于社交網絡分析、生物信息處理、物理建模等領域。然而，其性能嚴重依賴于標注節點的質量與數量，而真實場景中標簽通常稀缺、獲取成本高昂。

對此，研究團隊創新性地構建了多通道圖自監督學習模型，通過引入“特征解耦”機制，實現了對多種自監督信號的精細建模與融合，有效提升了模型在半監督節點分類任務中的魯棒性與泛化能力。

與以往的單一圖自監督學習策略不同，新方法將節點表示拆分為“共享”與“互補”兩個部分，分別施加一致性約束、重構約束和對齊約束，使得模型能在不同通道（拓撲、屬性、潛在結構）之間有效分離并利用自監督信息，克服了不同類型自監督信號沖突問題，且通過互信息理論解釋了新模型在多種自監督信號協同與融合上的能力。

通過在多個標準數據集上進行實驗驗證后發現，新方法在節點分類準確率上顯著優于當前主流方法，特別是在標簽比例低于1%的極端條件下，仍保持優異性能，顯示出極強的實際應用前景。