Краткое содержание

arXiv:2511.08287v1 Тип объявления: кросс Аннотация: Контрастное обучение графов (Graph Contrastive Learning — GCL) стало мощным подходом для тренировки Нейронных Сетей Графов (Neural Graph Networks — GNN), когда отсутствуют метки, специфичные для конкретной задачи. Однако масштабируемость данного метода на больших графах ограничена интенсивной передачей сообщений внутри архитектуры GNN и квадратичной вычислительной сложностью контрастирующей функции потерь над положительными и отрицательными парами узлов. Для решения указанных проблем мы предлагаем эффективный фреймворк GCL, который преобразует входящий граф в компактную сеть взаимосвязанных множеств узлов, одновременно сохраняя структурную информацию между сообществами. Во-первых, мы вводим ядро-графовую функцию потерь сообщества с линейной сложностью, позволяющую эффективно передавать информацию среди множества узлов и захватывать иерархические структурные особенности графа. Затем мы интегрируем технику дистилляции знаний в разделённую архитектуру GNN, чтобы ускорить процесс вывода результатов, сохранив высокую обобщающую способность модели. В ходе обширных экспериментов на нескольких крупных реальных наборах данных было продемонстрировано, что предложенный метод значительно превосходит современные подходы по скорости вычислений и качеству классификации узлов.