近期，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重要进展，相关成果“Multi-Channel Disentangled Graph Neural Networks with Different Types of Self-constraints”发表在人工智能领域国际顶级期刊IEEE Transactions on Pattern Analysis and Machine Intelligence（简称TPAMI，影响因子：20.8）。该论文的第一作者为我校2021级博士生梁卓敏，通讯作者为白亮教授，合作者为梁吉业教授和英国曼彻斯特大学杨氙助理教授。

图神经网络（GNN）是当前图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。然而，其性能严重依赖于标注节点的质量与数量，而真实场景中标签通常稀缺、获取成本高昂。对此，研究团队创新性地构建了多通道图自监督学习模型（见图1），通过引入“特征解耦”机制，实现了对多种自监督信号的精细建模与融合，有效提升了模型在半监督节点分类任务中的鲁棒性与泛化能力。

图1.多种自监督约束的多通道解耦图神经网络模型

与以往的单一图自监督学习策略不同，新方法将节点表示拆分为“共享”与“互补”两个部分，分别施加一致性约束、重构约束和对齐约束（见图2），使得模型能在不同通道（拓扑、属性、潜在结构）之间有效分离并利用自监督信息，克服了不同类型自监督信号冲突问题，并通过互信息理论解释了新模型在多种自监督信号协同与融合上的能力。

图2.三种约束的示意图

在多个标准数据集上进行的实验验证，新方法在节点分类准确率上显著优于当前主流方法（见图3），特别是在标签比例低于1%的极端条件下，仍保持优异性能，显示出极强的实际应用前景。

图3.模型和现有方法在不同标签率下的性能比较

该研究工作得到计算智能与中文信息处理教育部重点实验室、国家自然科学基金重点项目（62432006）、国家自然科学基金区域创新发展联合重点项目（U21A20473）等支持。

据悉，TPAMI期刊于1979年建刊，是国际上公认的人工智能领域顶级期刊，同时也被中国计算机学会（CCF）推荐为人工智能领域的A类期刊，主要刊登人工智能领域的高质量前沿研究成果。

相关链接：https://ieeexplore.ieee.org/document/11012681/

责编 | 瑄   瑄

二审 | 范艳华

三审 | 张   捷