6月3日，记者从山西大学获悉，该校智能信息处理研究所团队日前在图神经网络研究方面取得重要进展。相关成果发表于人工智能领域国际期刊《IEEE模式分析与机器智能学报》。

图神经网络（GNN）是当前图结构数据处理的核心技术，广泛应用于社交网络分析、生物信息处理、物理建模等领域。然而，其性能严重依赖于标注节点的质量与数量，而真实场景中标签通常稀缺、获取成本高昂。

对此，研究团队创新性地构建了多通道图自监督学习模型，通过引入“特征解耦”机制，实现了对多种自监督信号的精细建模与融合，有效提升了模型在半监督节点分类任务中的鲁棒性与泛化能力。

与以往的单一图自监督学习策略不同，新方法将节点表示拆分为“共享”与“互补”两个部分，分别施加一致性约束、重构约束和对齐约束，使得模型能在不同通道（拓扑、属性、潜在结构）之间有效分离并利用自监督信息，克服了不同类型自监督信号冲突问题，且通过互信息理论解释了新模型在多种自监督信号协同与融合上的能力。

通过在多个标准数据集上进行实验验证后发现，新方法在节点分类准确率上显著优于当前主流方法，特别是在标签比例低于1%的极端条件下，仍保持优异性能，显示出极强的实际应用前景。