基于课程学习的符号图神经网络优化框架CSG：从理论突破到应用验证

（《符号图神经网络（SGNN）的课程学习训练新范式》）本文创新性地将课程学习（Curriculum Learning）引入符号图神经网络（SGNN）训练领域，提出CSG框架。通过理论证明SGNN难以从不平衡三角环（unbalanced cycles）中学习有效表征，设计轻量化难度评估函数，以"由易到难"的样本调度策略显著提升模型性能（AUC最高提升23.7%），为社交网络分析、基因组调控等复杂关系建模提供新思路。

　　

Highlight

符号图（Signed Graph）是刻画复杂正负关联关系的强大模型，符号图神经网络（SGNN）已成为分析此类图数据的有力工具。本研究首次提出为SGNN量身定制训练方案，突破传统随机样本喂入的局限，通过模拟人类"由易到难"的学习模式，显著提升模型性能。

Introduction

在线社交网络¹、推荐系统、加密货币平台甚至基因组-表型关联研究中，符号图数据正快速积累。与仅含正边（如"友谊"）的无符号图不同，真实世界存在大量负边关系（如"敌对"），如图1所示。例如Slashdot平台允许用户标记"朋友"与"敌人"，基因调控中既有上调（upregulation）也有下调（downregulation）。现有SGNN模型（如SGCN）在训练时平等对待所有边，但不同边存在显著学习难度差异——特别是包含矛盾信号的不平衡三角环（图2c），会导致节点表征学习出现根本性矛盾。

Methodology

CSG框架包含三大创新：1）理论证明SGNN难以从不平衡三角环学习有效表征；2）设计轻量化难度评估函数，为属于不平衡三角环的边赋予更高难度分；3）开发课程调度器，按难度分阶段训练模型。这种"先易后难"的策略，使模型先掌握简单边模式再攻克难题，最终实现整体性能提升（见表9）。

Experiments

在六个真实数据集上的实验表明：CSG使主流SGNN模型AUC最高提升23.7%（SGCN模型在Slashdot数据集），标准差降低8.4%（WikiRfa数据集）。即使在40%-70%的训练数据比例下仍保持优势（见表8）。当前局限是仅考虑3-环不平衡结构，因现实符号图普遍稀疏（见表3），更高阶环数量极少（见表2）。

Conclusion

我们开创性地将课程学习引入SGNN训练，提出CSG框架。虽然未能根本解决SGNN的表征局限，但有效缓解了困难样本的负面影响，为社交网络分析、生物调控网络等领域的符号图建模提供了新范式。