迈向多视图学习中的多阶同质性感知传播

《Neural Networks》：Towards Multi-order Homophily-aware Propagation in Multi-view Learning

　　

Jiayuan Wang|Jie Lian|Yongquan Shi|Jielong Lu|Shiping Wang

摘要

多视图学习旨在通过整合不同数据视角的信息来提升性能。现有的基于图神经网络的多视图学习方法往往平等对待所有视图，而不考虑它们质量的不同，同时也忽视了所构建相似性矩阵的异质性。这会导致在聚合过程中噪声过度传播，从而对最终的多视图集成产生负面影响，使性能无法达到最优。本文提出一种多阶同质性感知多视图学习方法，以减轻图中异质性信息的传播。该方法包含两个主要组成部分：多阶解耦模块和同质性感知传播模块。前者独立编码多阶邻域和自嵌入，以便在细粒度层面捕捉邻域信息；后者则构建一个同质性感知矩阵，并计算不同阶邻域的同质性贡献作为传播置信度，用以指导节点信息的聚合。实验结果表明，该方法优于现有的最先进模型。代码可在https://github.com/dynammor/MHML获取。

引言

许多现实世界任务都需要能够理解和处理来自多个视角的信息。多视图数据通过整合不同视角的信息来提供更全面的内容，因此越来越受到重视（Wu等人，2023a）。随着机器学习算法的不断发展，现有模型在处理和融合多视图数据方面的效率大幅提升。如今，多视图学习已广泛应用于各个领域，包括计算机视觉（Li, Hou, Wang, Li, 2019；Shen, Dong, Zheng, Lan, Tsang, Sun, 2022；Zhang, Zhu, Wang, Zhong, Sheng, Ding, Jiang, 2024b）、推荐系统（Su, Chen, Lin, Zhong, Dong, 2025；Wang, Yin, Du, Hua, Li, Nguyen, 2019；Wei, Huang, Xia, Xu, Zhao, Yin, 2022）以及医疗健康领域（Hamed, Mohamed, 2023；Li, Wu, Sun, Ye, Zhu, Chen, 2023a；Xu, Peng, Bhuiyan, Hao, Liu, Sun, He, 2021）。

图卷积网络由于能够识别复杂的拓扑结构，已成为图学习领域中的一种强大工具（Li, Song, Song, Wipf, 2023b；Wu, Sun, Zhang, Xie, Cui, 2022；Zhang, Liang, Zhou, Ling, Zhang, Wu, Sheng, Jiang, 2024a）。近期，研究人员开始利用GCN在多视图学习中的优势，通常是通过构建图结构来整合不同视角中的隐含拓扑信息，从而提取出一致的表示形式（Li, Luo, Jiang, Jiang, Hou, Li, 2025；Zhang, Jiang, Wang, Yang, Lu, Wu, Sheng, 2023）。这种方法提升了多视图学习任务的性能与效率（Chen, Fu, Xiao, Wang, Plant, Guo, 2023b；Huang, Lu, Wu, Chen, Chen, Wang, Zhang, 2024；Jiang, Zhang, Liang, Zhou, Yang, Wu, Guan, Ding, Sheng, 2025）。然而，现实世界中的多视图数据往往存在严重的噪声干扰，导致其生成的图结构通常具有很强的异质性。大多数现有的基于GCN的多视图学习方法未能充分考虑到这一特性，使得模型在信息聚合过程中处理异质性信息时存在局限性。具体而言，这些方法通常采用统一的聚合策略来处理图结构，这使得噪声信息和有效信号在传播过程中被同等对待，从而降低了模型的鲁棒性。我们系统地评估了36个常用多视图数据集的同质性程度。图1(a)展示了当参数为$k=10$时的实验结果。在实验的36个数据集中，仅有8个数据集显示出明显的同质性趋势（h＞0.7），而其余大多数数据集都存在较强的异质性，占比接近80%。此外，图1(b)还对比了基于多层感知器与图卷积网络的方法。实验结果表明，在存在强异质性倾向的图中，GCN聚合的结果通常是负向信息，其性能甚至低于不包含拓扑信息的MLP。

为了解决上述问题，本文提出了多阶同质性感知多视图学习（MHML）框架。如图2所示，该框架结合了多阶解耦机制和同质性感知传播模块，以此生成更准确的节点表示。具体而言，多阶解耦模块用于分离节点的拓扑信息，而经过度归一化的路径权重则用于计算这些信息的贡献度。

这种设计不仅保留了邻居关系的层次结构，还能更真实地模拟邻居聚合的过程。此外，该方法还被扩展到多视图场景中，能够感知图的结构贡献，并捕捉不同视图之间的整体同质性，进而量化不同视图的传播置信度。接下来，文中引入了一种基于标签一致性的同质性感知矩阵，用于量化同质性邻居和异质性邻居的贡献。该方法能有效引导信息聚合过程，确保不同阶邻居的贡献得到合理平衡。最后，在视图层面计算同质性贡献率，以评估每个视图的传播置信度。这一评估不仅能反映数据的质量，还能为多视图数据的有效融合提供有力指导。本文的主要贡献可总结如下：

• •
  提出了一种用于处理具有异质性图的多视图学习方法，同时揭示了由多视图数据集构建的图中异质性的普遍存在现象。
• •
  提出了一种同质性感知模块，能够以更精细的粒度计算节点的同质性贡献，从而更好地引导信息融合。
• •
  实验结果表明，与其他基准方法相比，该技术在10个真实世界基准数据集上的表现更为优异。

本文的其余部分结构如下：第2节回顾了图卷积网络、多视图学习以及图同质性率的相关研究；第3节详细介绍了所提出的方法；第4节展示了实验结果；最后，第5节总结了本文的研究结论。

章节要点

相关研究

本节将回顾近期关于多视图学习、图卷积网络以及图同质性与异质性分析的研究成果。

所提出的方法

本节详细阐述了所提出的方法论。首先介绍图卷积神经网络的基本概念以及图同质性率的定义，随后深入分析该模型的计算复杂度。

实验分析

本节首先介绍多视图数据集及实验设置，然后评估所提模型的性能。此外，还通过大量实验分析参数敏感性、监督率等因素，进一步验证该模型的有效性。（算法1）

结论

本文提出了一种新的框架，通过更精细的操作计算多阶邻居的异质性贡献以及视图层面的同质性贡献，并将其作为传播置信度来引导信息融合。这样一来，我们既避免了引入过多的异质性信息，又能学习到一定的全局信息。虽然该框架在多视图数据集成方面展现出出色的通用性和精确性，但其本身仍存在

CRediT作者贡献说明

Jiayuan Wang：撰写——审阅与编辑、撰写——初稿、方法设计。Jie Lian：数据整理、概念构思。Yongquan Shi：可视化处理、结果验证。Jielong Lu：监督指导、软件开发。Shiping Wang：监督指导、资源协调。

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：

Shiping Wang表示其研究工作得到了中国国家自然科学基金的资金支持。