Boundary Embedding Shaping with Adaptive Contrastive Learning for Graph Structural Disentanglement

📄 arXiv: 2606.20283v1 📥 PDF

作者: Jiaqing Chen, Zidu Yin, Yichao Cai, Yuhang Liu, Zhen Zhang, Dong Gong, Javen Qinfeng Shi

分类: cs.LG, cs.AI

发布日期: 2026-06-18

备注: Accepted at ICML 2026

💡 一句话要点

提出边界嵌入塑形以解决图结构纠缠问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 图神经网络 对比学习 节点分类 链接预测 结构纠缠

📋 核心要点

  1. 现有图神经网络在处理节点分类时，受到图结构纠缠的影响，尤其是类边界附近的节点更易受到虚假相关性的污染。
  2. 本文提出边界嵌入塑形（BES）模块，通过自适应对比学习，选择性地抑制决策边界的虚假结构噪声，以提高分类性能。
  3. 实验结果显示，BES在节点分类任务中平均提升GCN性能3.3%，在WikiCS数据集上最高提升可达5.0%，并在链接预测中表现优异。

📝 摘要（中文）

图神经网络（GNN）在分类任务中表现优异，但其性能受到图结构纠缠的影响，尤其是在嵌入空间的类边界附近，虚假相关性会污染节点嵌入。现有的鲁棒GNN方法通常对所有节点采取统一处理，忽视了边界的脆弱性。本文提出了一种边界嵌入塑形（BES）模块，通过自适应对比学习，选择性地抑制决策边界处的虚假结构噪声，从而改善分类性能。实验结果表明，BES在节点分类中平均提升GCN性能3.3%（在WikiCS上最高可达5.0%），并在链接预测中表现出色。

🔬 方法详解

问题定义：本文旨在解决图神经网络在节点分类中因图结构纠缠而导致的性能下降问题，尤其是类边界附近节点的脆弱性。现有方法未能有效区分边界节点与其他节点，导致决策边界模糊。

核心思路：提出边界嵌入塑形（BES）模块，通过自适应对比学习，针对性地抑制决策边界处的虚假结构噪声，从而增强边界节点的区分能力。该设计旨在最小化模型参数的扰动，同时提升分类性能。

技术框架：BES模块作为GNN的插件，主要包括边界区域识别、噪声抑制和对比学习三个阶段。首先识别出边界区域，然后通过对比学习方法抑制噪声，最后将处理后的嵌入用于分类任务。

关键创新：BES的主要创新在于其自适应性和选择性抑制机制，能够针对性地处理边界节点的虚假噪声，与现有方法的统一处理方式形成鲜明对比。

关键设计：在BES模块中，采用了特定的损失函数以强化边界节点的对比学习效果，并对网络结构进行了优化，以确保在抑制噪声的同时保持模型的稳定性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，BES模块在节点分类任务中平均提升GCN性能3.3%，在WikiCS数据集上最高提升可达5.0%。此外，BES在链接预测任务中也表现出色，显示出其广泛的适用性和有效性。

🎯 应用场景

该研究的潜在应用领域包括社交网络分析、推荐系统和生物信息学等，尤其是在需要高精度分类和链接预测的场景中。通过改善图神经网络的性能，BES模块能够为实际应用提供更为可靠的决策支持，推动相关领域的发展。

📄 摘要（原文）

Graph neural networks (GNNs) excel at aggregating neighbor information for classification, yet their performance is hindered by graph structural entanglement, where spurious correlations from semantically irrelevant neighbors contaminate node embeddings. This challenge is most acute for nodes near class boundaries in the embedding space, where amplified structural noise blurs decision boundaries and destabilizes predictions. Existing robust GNN methods largely treat all nodes uniformly, ignoring boundary vulnerabilities. In this paper, to improve classification performance, we tackle graph structural disentanglement by identifying boundary-region entanglement as the primary bottleneck and propose Boundary Embedding Shaping (BES), an adaptive contrastive learning GNN plug-in module that selectively suppresses spurious structural noise at decision boundaries with minimal model parameter perturbation. Extensive experiments demonstrate that BES consistently improves boundary discrimination and outperforms existing leading methods. Notably, BES boosts GCN performance by an average of 3.3% in node classification (up to 5.0% on WikiCS) and achieves superior accuracy in link prediction.