本研究通过引入可学习的元路径来优化对比学习的过程，解决了异构图神经网络在标签获取困难下性能不均的问题。整合各种元路径子图并通过对抗训练策略进行边缘修剪，可以显著提升模型的性能和鲁棒性，超越现有的无监督学习模型。

本文介绍了可变图自编码器（VGAE）框架，用于处理基于变分自编码器（VAE）的图结构数据无监督学习模型。该模型利用潜在变量学习图的可解释的潜在表示。在链接预测任务中，使用图卷积网络（GCN）编码器和内积解码器展示该模型。与其他无监督学习模型相比，该模型能够自然地融入节点特征，从而在多个基准数据集上提高预测性能。