基于图信息瓶颈的噪声自适应双向节点-边流自监督方法

《Journal of Computational Science》：Noise-adaptive bi-directional node-edge flow self-supervised method based Graph Information Bottleneck

　　

图卷积网络（GCN）推动了图表示学习的重大进展，然而现有方法仍依赖单向节点-边信息流，忽视高阶全局结构，并易受噪声或伪连接干扰导致嵌入失真。现实世界图常表现出动态噪声模式和复杂的节点、边依赖关系，当前模型未能联合捕捉这些特征，从而在扰动下性能脆弱。为解决这些问题，研究人员提出了SPSLIB（Self-Pseudo-Supervised Label Information Bottleneck）框架，通过双流互补信息瓶颈（DSCIB）实现双向节点-边信息交换，结合噪声鲁棒学习（NRL）模块和基于噪声概率的标注（NPL）机制，自适应生成伪标签。在MUTAG、PROTEINS、NCI1、DD、OGBG-MOLHIV及Reddit-Threads等基准数据集上，SPSLIB在噪声条件下的分类准确率最高提升4.5%，显著增强了鲁棒性和表征能力。

该研究发表于《Journal of Computational Science》，聚焦于解决图表示学习中因单向信息流、噪声干扰及缺乏全局结构建模导致的性能下降问题。现有图神经网络（GNN）多依赖邻接矩阵进行节点特征聚合，限制了边关系的全局捕捉，且对噪声连接敏感，易产生伪连接并扭曲图结构。图信息瓶颈（GIB）虽能通过压缩输入数据提取任务相关信息，但在无监督场景下难以充分结合任务特定标签与全局结构。为此，研究人员提出SPSLIB框架，通过分离节点与边的建模、引入双流互补信息瓶颈优化目标，并结合噪声自适应学习策略，实现了对复杂图结构的稳健表征。实验表明，该方法在多个公开数据集上显著提升了噪声环境下的分类性能，验证了各模块的有效性。

关键技术方法包括：采用双流互补信息瓶颈（DSCIB）实现节点与边表示的双向交互与冗余抑制；设计噪声鲁棒学习（NRL）模块，通过自注意力机制区分噪声与有效信息，选择性掩蔽非关键嵌入特征；提出基于噪声概率的标注（NPL）机制，根据节点与边的噪声水平动态调整聚类参数，生成可靠伪标签用于自监督训练。实验使用MUTAG、PROTEINS、NCI1、DD、OGBG-MOLHIV及Reddit-Threads等公开数据集。

Noise-augmented learning

噪声增强通过在训练中引入噪声提升模型泛化能力，但针对变分推断等复杂任务仍需进一步优化。

Proposed method

定义节点特征矩阵X={x₁,x₂,…,x_n}，其中x_i∈R^p表示第i个节点的p维特征向量；邻接矩阵A∈R^n×n记录节点连接关系（A_ij=1表示连接，A_ij=0表示无连接）；关联矩阵B∈R^|E|×n描述边与节点的对应关系。

Experiment

在MUTAG等数据集上评估性能，MUTAG用于预测化学分子致突变性，节点代表原子，边代表化学键。

Conclusion and limitations

SPSLIB通过噪声自适应学习与全局聚类标签有效提升节点与边嵌入质量，尤其在噪声环境下表现优异。研究证实各模块均能显著提升分类准确率与F1值。

CRediT authorship contribution statement

Houchen Lv负责论文撰写、验证、可视化、软件实现、方法论设计、形式分析、项目管理及资金支持等多项工作；Shanshan Wan参与验证、形式分析、可视化及概念设计；Zebin Fu承担监督、数据管理与资源协调。

Declaration of competing interest

作者声明无已知竞争性财务利益或个人关系影响本研究。

Acknowledgments

研究获国家自然科学基金（61902016）、北京建筑大学研究生创新项目（PG2024121）、教育部数字学习技术集成与应用工程研究中心（1311001）、北京市教育科学十四五规划项目（CDDB24252）及中国建设教育协会教育教学研究项目支持。

讨论部分指出，SPSLIB通过融合节点级与全局结构特征，克服了传统方法在单向信息流与噪声敏感性上的局限，其双流设计与自适应伪标签机制为无监督及半监督图学习任务提供了有效解决方案。研究结论表明，该方法在噪声条件下仍能保持高精度与稳定性，为复杂图结构分析提供了新的技术路径。