新的方法可以提高图神经网络处理数据的准确性

山西大学智能信息处理研究所团队在图神经网络研究方面取得了重要进展。相关成果于5月23日在人工智能领域国际期刊《IEEE模式分析与机器智能报》上发表。(IEEE Transactions on Pattern Analysis and Machine Intelligence，TPAMI)。文章第一作者为山西大学博士生梁卓敏，通讯作者为山西大学教授白亮。

图神经网络(GNN)它是当前图形结构数据处理的核心技术，广泛应用于社交网络分析、生物信息处理、物理建模等领域。但其性能严重取决于标注节点的质量和数量，而标签在真实场景中通常稀缺，获取成本高。

对此，研究小组创新性地构建了多渠道图自我监督学习模型，通过引入“特征解耦”机制，实现了各种自我监督信号的精细建模和整合，有效提高了模型在半监督节点分类任务中的鲁棒性和泛化能力。

与以往的单图自我监督学习策略不同，新方法将节点表示拆分为“共享”和“互补”两部分，分别施加一致性约束、重构约束和对齐约束，使模型能够有效地在不同渠道(拓扑、属性、潜在结构)之间分离，利用自我监督信息，克服不同类型的自我监督信号冲突，并通过互信理论解释了新模型在各种自我监督信号协调和整合方面的能力。

通过对多个标准数据集的实验验证，发现新方法在节点分类准确率上明显优于当前主流方法，尤其是在标签比例低于1%的极端情况下，仍然保持着优异的性能，显示出强大的实际应用前景。

这项研究得到了教育部重点实验室、国家自然科学基金重点项目、国家自然科学基金区域创新发展联合重点项目的支持。

据报道，TPAMI期刊于1979年成立，被国际公认为人工智能领域的顶级期刊，同时也被中国计算机学会(CCF)推荐A类期刊在人工智能领域，主要发表人工智能领域的优质前沿研究成果。