高端成果系列报道之四十七
Xirui Xiong, Junhai Zhai (通讯作者), Jiankai Chen. 3C-GNN: Three-Channel Contrastive Graph Neural Network for Semi-Supervised Node Classification. Expert Systems with Applications, .
近年来，图神经网络（Graph Neural Networks, GNNs）在半监督节点分类任务中展现出卓越的性能。然而，其有效性仍受到监督信息不足和表示崩溃等挑战的限制。许多方法仅关注特定视角或单一通道，未能充分利用节点特征和拓扑结构的多样性，导致邻域信息学习不充分，从而限制了模型的表达能力。为了解决这些问题，本文提出了一种新颖的方法—三通道图对比网络（Three Channel Graph Contrastive Network, 3C-GCN），其特点体现在以下三个方面：(i) 三通道方法。捕获更全面的信息，从而降低表示崩溃的风险，并增强模型的表达能力。(ii)对比学习融合三通道策略。结合自监督对比学习，使模型能够有效学习有意义的节点表示，而无需大量标注数据，从而显著提升在有限标注样本任务上的性能。(iii) 预训练到下游任务的适应策略。提高模型的迁移学习能力，使其在各种图相关任务上具备更强的泛化能力，从而提升其鲁棒性和灵活性。在多个数据集上的大量实验表明，与最新的先进方法相比，3C-GCN 具有卓越的性能和广泛的适用性。
熊曦睿（学生）为该论文的第一作者，翟俊海为通讯作者。《Expert Systems with Applications》现为中科院一区TOP期刊。