DeepRicci：自我监督的图结构特征协同细化，缓解过度压缩
内容提要
本文综述图结构学习（GSL）进展，涵盖多种方法：GSR通过多视角对比学习提升GNN效能；曲率重连降低计算成本；节点级复杂度正则化对齐特征与图信息；无监督GSL利用自监督生成锚图；离散Ricci曲率缓解过度平滑并适应异质图；自监督边特征框架助力COVID-19生物标记发现；双曲GNN推广至可变曲率流形减轻过度压缩；SelfMGNN构建混合曲率空间；UGCL分离重建特征与结构；RGSL融合隐式与显式图结构。
延伸解读
图结构学习的多样化技术路线
文章综述了多种图结构学习（GSL）方法，涵盖对比学习、曲率重连、复杂度正则化、自监督锚图、离散Ricci曲率、自监督边特征、双曲GNN、混合曲率空间、UGCL和RGSL等。这些方法从不同角度提升GNN效能，如GSR通过多视角对比学习，曲率重连降低计算成本，节点级复杂度正则化对齐特征与图信息。读者可借此了解GSL领域的广泛研究方向。
曲率信息在缓解过度压缩中的作用
文章多次提及曲率相关方法：离散Ricci曲率增强GNN，缓解过度平滑并适应异质图；双曲GNN推广至可变曲率流形，减轻过度压缩；SelfMGNN构建混合曲率空间。这些工作表明，引入图几何信息（如曲率）能有效改善GNN的表示能力，尤其在处理复杂图结构时。
自监督与无监督学习的应用
文章介绍了多种自监督/无监督GSL方法：无监督GSL利用自监督对比学习生成锚图；自监督边特征框架用于COVID-19生物标记发现；UGCL通过自监督分离特征与结构重建；SelfMGNN自监督学习混合曲率表示。这些方法减少了对标签数据的依赖，提升了在缺失数据下的性能，并增强了模型可解释性。
实际应用与性能验证
文章提到的方法在真实世界数据集上进行了广泛实验，如节点级复杂度正则化在真实数据集上验证，自监督边特征框架在三个生物数据集上验证并发现COVID-19相关细胞类型和基因，UGCL在八个数据集、三种GNN变体和五种缺失率上实验。这些验证表明GSL方法在节点分类等任务上具有实际效果。
Q&A
图结构学习（GSL）是什么？它主要解决什么问题？
图结构学习（GSL）是一类通过优化图结构来提升图神经网络（GNN）效能的方法。它主要解决图结构不完善（如噪声、缺失）或与任务不匹配的问题，从而改善GNN在节点分类等任务上的表现。
GSR方法如何提升GNN的效能和扩展性？
GSR采用预训练-微调管道，通过多视角对比学习和概率估计相结合的方式，提高了GNN的效能和扩展性。
如何利用离散Ricci曲率缓解GNN中的过度平滑问题？
通过引入离散图Ricci曲率来增强GNN，曲率信息可以缓解过度平滑等计算问题。基于曲率的图边丢弃算法进一步提高了模型对异质图的适应性，在同质图和异质图数据集上均优于现有基准。
SelfMGNN是如何构建混合曲率空间并提升图表示学习性能的？
SelfMGNN通过多个Riemannian组件空间的笛卡尔积构建混合曲率空间，并设计分层注意机制来学习和融合这些组件空间中的表示。对比实验证明其性能优于现有基准模型。
UGCL框架如何处理图中特征和结构缺失的问题？
UGCL将特征重建和结构重建分离，并依次设计其个性化模型，避免GNN消息传递过程中缺失节点特征和结构之间的不匹配。然后引入结构级别和特征级别的双对比损失，最大化节点表示的互信息，提供更多监督信号。重建的节点特征和结构可用于下游节点分类任务。
自监督边特征框架在COVID-19研究中有什么应用？
该框架结合自监督和无监督学习创造新的边特征，并与基于Popular GNN架构提取的节点特征结合，通过端到端训练用于节点分类。在三个生物数据集上验证，效果优于GAT和GCN基线，并能解释决定COVID-19过程和严重程度的细胞类型和基因，有助于发现潜在疾病生物标记物和治疗靶点。
