GraphTCL: Dual-View-Contrastive Learning steigert Graphklassifikation

GraphTCL, ein neues Dual-View-Contrastive-Learning-Framework, kombiniert die Stärken von Graph Neural Networks (GNNs) mit topologischen Einblicken aus der persistenten Homologie. Durch die Ausrichtung der beiden Sichtweisen mittels eines Cross-View-Contrastive-Losses liefert das Modell robustere Graphrepräsentationen, die insbesondere bei der Klassifikation von chemischen Molekülen und sozialen Netzwerken überzeugen.

Während herkömmliche GNNs vor allem lokale Strukturen erfassen, vernachlässigen sie oft globale topologische Merkmale, die für eine zuverlässige Analyse entscheidend sind. GraphTCL füllt diese Lücke, indem es die strukturellen Embeddings der GNNs mit topologischen Embeddings kombiniert, die aus der persistenten Homologie gewonnen werden. Diese Kombination führt zu einer signifikanten Verbesserung der Klassifikationsleistung.

In umfangreichen Tests auf den TU- und OGB-Molekülgraphen übertrifft GraphTCL konsequent die führenden Baselines. Die Ergebnisse unterstreichen die Bedeutung eines topology‑aware Contrastive Learning Ansatzes für die Weiterentwicklung von Graphrepräsentationsmethoden.