arXiv cs.AI· Xuanzhi Xi, Tongze Zhang, Zhili Qin, Yulin Tao, Hongliang Wang, Zhong Zhang, Qinli Yang, Junming Shao·· 12 小时前AI 评分18
HeteGCD：面向异质图广义类别发现的统计感知双原型学习
HeteGCD: Statistics-Aware Dual-Prototype Learning for Generalized Category Discovery on Heterophilous Graphs
AI 导读
HeteGCD 提出一种统计感知的双原型学习方法，用于异质图上的广义类别发现，无需新类监督即可同时利用局部属性差异统计与邻域类别分布。其门控双流编码器融合节点属性与属性差异统计学习表示，双原型分类器结合特征相似度与分布一致性完成类别发现。在五个异质图上，HeteGCD 相较 24 种基线组合取得有竞争力的表现。
正文 · AI 翻译
摘要：异质图在现实应用中十分普遍，其中相连节点往往具有不同的属性或属于不同的类别，这给基于同质性的传统图学习方法带来了重大挑战。这一局限在广义类别发现（GCD）中尤为突出，因为该任务要求模型仅利用已知类别的标签来识别已知类别并发现新类别。然而，现有的图 GCD 方法通常依赖上述基于同质性的归纳偏置，难以适用于异质图。同时，尽管当前的异质图学习方法利用了多样化的邻域信号，但其选择和融合往往由覆盖所有类别的监督信号引导，包括在 GCD 中标签不可用的新类别。这些局限引出了一个关键问题：在没有任何新类别监督的情况下，如何有效地利用异质邻域信息进行类别发现？为回答这一问题，本研究提出了 HeteGCD，一种用于异质图上广义类别发现的、具有统计感知能力的双原型学习新视角。其核心思想是同时考察局部属性差异的统计量与邻域类别分布，从而在特征空间和概率空间中同时提取判别性信息。具体而言，门控双流编码器将节点属性与局部属性差异统计量相结合，以学习信息丰富的节点表示。随后，双原型分类器将基于特征的相似性与基于分布的一致性相结合，以支持类别发现。在五个异质图上的实验表明，HeteGCD 相较于 24 种基线组合取得了有竞争力的性能。
| 学科： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.36696 [cs.LG] |
| （或 arXiv:2610.36696v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.36696 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Xuanzhi Xi [查看邮箱]
[v1]
2026年10月27日 星期二 06:13:03 UTC（2,039 KB）
来源：arXiv cs.AI · arxiv.org