SNGCL: Einfaches graphisches Lernverfahren steigert Node‑Classification

In der Welt des graphbasierten Lernens hat sich das kontrastive Lernen als besonders wirkungsvoll erwiesen, insbesondere wenn Graphdaten selten gelabelt sind. Dennoch stoßen bestehende Ansätze bei der Klassifizierung von Knoten häufig auf zwei Hauptprobleme: Erstens kann die Datenaugmentation die ursprüngliche Struktur stark verändern, was die Relevanz der erzeugten Ansichten schwächt. Zweitens sind viele moderne Algorithmen auf eine große Anzahl negativer Beispiele angewiesen, was die Trainingskomplexität erhöht.

Um diese Herausforderungen zu überwinden, präsentiert die neue Studie das Verfahren Simple Network Graph Comparative Learning (SNGCL). Der Kern von SNGCL ist ein überlagerter, mehrschichtiger Laplace‑Glättungsfilter, der sowohl globale als auch lokale Feature‑Glättungsmatrizen erzeugt. Diese Matrizen werden anschließend in die Ziel- und Online‑Netzwerke eines Siamese‑Netzwerks eingespeist, wodurch die graphische Struktur besser erhalten bleibt.

Ein weiteres Highlight von SNGCL ist die verbesserte Triple‑Rekombination‑Loss‑Funktion. Durch gezielte Minimierung der intra‑klassischen Distanz und Maximierung der inter‑klassischen Distanz werden die Klassifikationsgrenzen schärfer. In umfangreichen Experimenten zeigte SNGCL eine starke Konkurrenzfähigkeit gegenüber führenden Modellen in diversen Node‑Classification‑Aufgaben.