人工智能学院2021级博士研究生王一立关于大规模图拓扑偏差问题的对比学习策略研究成果，已被人工智能领域国际顶级期刊《IEEE Transactions on Pattern Analysis and Machine Intelligence》（TPAMI，IF=20.5）接收。TPAMI作为人工智能领域最具影响力的期刊之一，在全球学术界享有盛誉。
论文题目：AdaGCL+: An Adaptive Subgraph Contrastive Learning Towards Tackling Topological Bias
论文一作：王一立 (2021级博士研究生)
指导教师：王鑫副教授
收录期刊：IEEE Transactions on Pattern Analysis and Machine Intelligence
期刊类别： CCF-A
论文概述：在大规模图上的图神经网络（GNNs）训练中，常用的批采样（batch sampling）方法能够缓解计算资源压力，但也不可避免地引入拓扑偏差，导致子图缺失关键节点特征或边结构，进而影响模型的泛化能力。为解决这一问题，我们提出了一种自适应的子图对比学习框架 AdaGCL+，能够在保持训练可扩展性的同时显著提升模型性能。AdaGCL+ 根据每个采样子图动态进行图增强，并引入子图粒度的对比学习目标，使节点表示在不同增强视图中保持一致性，从而提升对不完整结构的鲁棒性。为了进一步优化增强策略，AdaGCL+ 引入了一个基于节点的信息瓶颈机制（Node-IB），用于自适应控制原图与增强图之间的相似性与多样性平衡。通过动态调整扰动参数（如边删除率），Node-IB 能够根据下游任务表现自动优化图增强过程。在多个基准数据集上，AdaGCL+ 在节点分类准确率和训练效率方面均优于现有先进方法，展现出强大的泛化能力和实际应用潜力。
