적응적 스펙트럴 대비 학습을 통한 강력한 그래프 표현 학습

Robust Graph Representation Learning via Adaptive Spectral Contrast

스펙트럴 그래프 대비 학습은 고주파 성분을 활용하여 동질 그래프와 이질 그래프 모두를 처리하는 통합적인 패러다임으로 부상했습니다. 그러나 본 연구에서는 근본적인 스펙트럴 딜레마를 밝혀냈습니다. 즉, 이질성을 인코딩하는 데 고주파 신호가 필수적이지만, 이론적 분석 결과, 스펙트럴 집중적인 교란 하에서 이러한 신호는 훨씬 더 높은 분산을 나타냅니다. 도출된 후회(regret) 하한 경계는 기존의 전역적(노드-무관) 스펙트럴 퓨전이 노드별 주파수 선호도가 다른 혼합 그래프에서 노드별 최적화 전략에 비해 근본적으로 비최적적임을 입증합니다. 이러한 제약을 극복하기 위해, 본 연구에서는 신뢰도를 고려한 스펙트럴 게이팅 메커니즘을 통해 이 딜레마를 해결하는 프레임워크인 ASPECT을 제안합니다. ASPECT은 미니맥스 게임으로 구성되어 있으며, 노드별 게이트를 사용하여 특정 목적을 가진 적대자에 대한 안정성을 기준으로 주파수 채널의 가중치를 동적으로 재조정합니다. 이 적대자는 명시적으로 Rayleigh quotient 페널티를 통해 스펙트럴 에너지 분포를 목표로 합니다. 이러한 설계는 인코더가 구조적으로 차별적이고 스펙트럴적으로 강력한 표현을 학습하도록 강제합니다. 실험 결과, ASPECT은 9개의 벤치마크 중 8개에서 새로운 최고 성능을 달성했으며, 의미 있는 구조적 이질성을 우연히 발생하는 노이즈로부터 효과적으로 분리했습니다.

Spectral graph contrastive learning has emerged as a unified paradigm for handling both homophilic and heterophilic graphs by leveraging high-frequency components. However, we identify a fundamental spectral dilemma: while high-frequency signals are indispensable for encoding heterophily, our theoretical analysis proves they exhibit significantly higher variance under spectrally concentrated perturbations. We derive a regret lower bound showing that existing global (node-agnostic) spectral fusion is provably sub-optimal: on mixed graphs with separated node-wise frequency preferences, any global fusion strategy incurs non-vanishing regret relative to a node-wise oracle. To escape this bound, we propose ASPECT, a framework that resolves this dilemma through a reliability-aware spectral gating mechanism. Formulated as a minimax game, ASPECT employs a node-wise gate that dynamically re-weights frequency channels based on their stability against a purpose-built adversary, which explicitly targets spectral energy distributions via a Rayleigh quotient penalty. This design forces the encoder to learn representations that are both structurally discriminative and spectrally robust. Empirical results show that ASPECT achieves new state-of-the-art performance on 8 out of 9 benchmarks, effectively decoupling meaningful structural heterophily from incidental noise.