ASPECT: Adaptive Spectral Contrast verbessert Graph‑Lernen bei Heterophilie

In der Welt des Graph‑Representationslernens hat sich das spektrale kontrastive Lernen als ein einheitliches Paradigma etabliert, das sowohl homophile als auch heterophile Strukturen adressiert. Doch ein grundlegendes Problem taucht auf: Hochfrequente Signale, die für die Erfassung von Heterophilie unerlässlich sind, zeigen bei spektral konzentrierten Störungen eine deutlich höhere Varianz. Theoretische Analysen belegen, dass globale, knotenunabhängige Spektralfusionen in solchen gemischten Graphen suboptimal sind – ein Regret‑Unterschrankenwert zeigt, dass jede globale Strategie im Vergleich zu einem knotenweisen Oracle nicht verschwindende Fehler verursacht.

Um dieses Dilemma zu lösen, präsentiert die neue Methode ASPECT ein reliabilitätsbewusstes Spektral‑Gate. Das System wird als Minimax‑Spiel formuliert und nutzt einen knotenweisen Gate, der die Frequenzkanäle dynamisch neu gewichtet, basierend auf ihrer Stabilität gegenüber einem gezielt entwickelten Gegner. Dieser Gegner zielt explizit auf die spektrale Energieverteilung ab und nutzt dafür eine Rayleigh‑Quotienten‑Strafe. Durch diese Gestaltung wird der Encoder gezwungen, Repräsentationen zu lernen, die sowohl strukturell diskriminativ als auch spektral robust sind.

Die experimentellen Ergebnisse sind überzeugend: ASPECT erzielt neue Bestleistungen auf acht von neun Benchmark‑Datensätzen und trennt dabei wirkliche strukturelle Heterophilie zuverlässig von zufälligem Rauschen. Damit stellt die Methode einen bedeutenden Fortschritt im spektralen Graph‑Learning dar und eröffnet neue Perspektiven für die Analyse komplexer Netzwerke.