近日，太阳集团tyc234cc杜军威教授团队的一篇论文《Frequency-Corrupt Based Graph Self-Supervised Learning》被互联网与数据智能领域国际顶级会议“THE ACM WEB CONFERENCE 2026”（WWW）接收。该会议被中国计算机学会（CCF）和中国人工智能学会（CAAI）共同认定为A类国际学术会议，WWW 2026 将于2026年4月13日至4月17日于阿联酋迪拜举行。
图自监督学习（GSSL）在无需人工标注的情况下缓解了图数据标签稀缺的问题，使其在推荐系统、社交网络分析等领域得到广泛应用。高频信号在GSSL中具有重要价值，能够捕捉局部结构偏好，从而丰富图表示并提升模型性能。然而在实际应用中，两个关键问题阻碍了这些信号的高效与稳健利用：第一，高频信号的局部性限制了模型对其的充分利用；第二，对特定高频信号的过度依赖会影响模型的泛化能力。为解决上述问题，论文提出基于频率扰动的图自监督学习算法（FC-GSSL）。该方法根据节点与边的低频贡献对其进行扰动，生成偏向高频信号的扰动图，并将其输入自编码器，以低频特征与通用特征作为监督信号。这种方法迫使模型有效融合高频与低频信号，从而整合并利用更多有价值的高频信息。此外，论文设计了多种采样策略，并根据不同策略所得结果的交集与并集构建多样化的扰动图。通过对齐来自这些视角的节点表示，模型能够识别出有价值的频率组合，有助于减少特定高频成分的负面影响，并提升泛化能力。FC-GSSL 优化了面向网络应用的图自监督学习设计，在社交网络、引文网络等复杂网络相关图数据上显著提升了模型性能。
该篇论文第一作者为李浩杰副教授、通讯作者为杜军威教授和麦考瑞大学的刘冠峰教授，太阳集团tyc234cc为第一单位和通讯单位。本研究得到国家自然科学基金、山东省自然科学基金以及中国国家留学基金管理委员会等多方资助。
