SPGCL: SVD 기반 구조 변환을 통한 간단하면서도 강력한 그래프 대비 학습

SPGCL: Simple yet Powerful Graph Contrastive Learning via SVD-Guided Structural Perturbation

그래프 신경망(GNN)은 적대적 공격이나 불완전성으로 인한 구조적 노이즈에 민감합니다. 기존의 그래프 대비 학습(GCL) 방법은 일반적으로 다양성을 위해 임의의 변환(예: 엣지 제거)을 사용하거나, 구조적 사전 지식을 보존하기 위해 스펙트럴 증강(예: SVD)을 사용합니다. 그러나 임의의 변환은 구조에 대한 이해 없이 수행되어 중요한 엣지를 제거할 수 있으며, SVD 기반 방법은 충분한 다양성을 제공하지 못하는 경우가 많습니다. 이 두 가지 방법을 통합하는 것은 어렵습니다. 왜냐하면 하나는 이산적인 엣지 제거를 사용하고 다른 하나는 연속적인 행렬 분해를 사용하기 때문입니다. 우리는 SVD 기반 구조 변환 이론을 일반 그래프에 적용하는 최근 개발된 방법을 활용하여, 견고한 GCL을 위한 프레임워크인 SPGCL을 제안합니다. SPGCL은 두 단계의 전략을 사용합니다: (1) 다양성을 주입하기 위한 가벼운 확률적 엣지 제거, 그리고 (2) 구조에 대한 정보를 가진 스코어링 행렬을 얻기 위한 절단된 SVD를 사용하여 상위 $P$개의 엣지를 복구합니다. 이러한 통합은 다음과 같은 세 가지 장점을 제공합니다: (1) 중요한 엣지는 SVD 기반 스코어를 통해 복구될 수 있으므로, 우연히 삭제된 엣지에 대한 견고성을 향상시킵니다; (2) 의미 있는 엣지를 도입하여 더 풍부한 대비 학습 뷰를 생성하고, 누락된 링크를 추가하여 정보량을 늘립니다; (3) 엣지 수의 차이보다는 의미적 차이에서 비롯된 대비 신호를 보장하기 위해 구조적 불일치를 제어합니다. 또한, 임베딩을 정렬하기 위해 전역 유사성 제약 조건이 있는 대비 융합 모듈을 통합했습니다. 10개의 벤치마크 데이터 세트에서 수행한 광범위한 실험 결과, SPGCL은 GNN의 견고성과 정확도를 꾸준히 향상시키며, 최첨단 GCL 및 구조 학습 방법을 능가하는 것으로 나타났습니다. 이는 이기종적인 방법들을 통합하는 데 있어 SPGCL의 효과를 검증합니다.

Graph Neural Networks (GNNs) are sensitive to structural noise from adversarial attacks or imperfections. Existing graph contrastive learning (GCL) methods typically rely on either random perturbations (e.g., edge dropping) for diversity or spectral augmentations (e.g., SVD) to preserve structural priors. However, random perturbations are structure-agnostic and may remove critical edges, while SVD-based views often lack sufficient diversity. Integrating these paradigms is challenging as they operate on discrete edge removal and continuous matrix factorization, respectively.We propose SPGCL, a framework for robust GCL via SVD-guided structural perturbation. Leveraging a recently developed SVD-based method that generalizes structural perturbation theory to arbitrary graphs, we design a two-stage strategy: (1) lightweight stochastic edge removal to inject diversity, and (2) truncated SVD to derive a structure-aware scoring matrix for sparse top-$P$ edge recovery. This integration offers three advantages: (1) Robustness to accidental deletion, as important edges can be recovered by SVD-guided scoring; (2) Enrichment with missing links, creating more informative contrastive views by introducing semantically meaningful edges; and (3) Controllable structural discrepancy, ensuring contrastive signals stem from semantic differences rather than edge-number gaps.Furthermore, we incorporate a contrastive fusion module with a global similarity constraint to align embeddings. Extensive experiments on ten benchmark datasets demonstrate that SPGCL consistently improves the robustness and accuracy of GNNs, outperforming state-of-the-art GCL and structure learning methods, validating its effectiveness in integrating previously disparate paradigms.