近日，计算机学院在图结构学习研究方向取得新进展，研究成果“Probing Implicit Graph Structure from Node Features via Variational Learning”被Top期刊《Neural Networks》录用，DOI: 10.1016/j.neunet.2026.109884.论文第一作者为学院2024级硕士研究生陈雨，通讯作者为杨习贝教授，刘克宇老师为共同作者，江苏科技大学为第一完成单位。
Online first: https://www.sciencedirect.com/science/article/pii/S0893608026013390
《Neural Networks》创刊于1988年，是CCF推荐的B类期刊，现影响因子为7.2，是国际神经网络学会（INNS）、亚太神经网络学会（APNNS）和日本神经网络学会（JNNS）的档案期刊，由Elsevier出版，主要刊载人工神经网络理论、模型、算法及应用研究。
论文中，作者设计了一种任务感知的变分图结构学习框架（AEVR-GSL），突破传统图结构学习依赖浅层特征相似度、结构学习与下游消息传递相对分离的限制。AEVR-GSL在图神经网络中设置探测层，从节点分类过程提取中间层表示；结合k跳邻域、Jaccard相似度和邻居特征相似度构造候选边，并通过变分重建判断节点间的潜在连接及其不确定性。进一步，模型利用分类损失对节点特征进行梯度更新，再由更新后的特征重建图结构，使结构学习与节点分类形成协同优化。
与现有方法相比，AEVR-GSL能够从节点特征中发现与分类任务相关的潜在连接，并利用分类反馈持续修正节点表示和图拓扑。该方法可适配不同类型的图神经网络骨干，在8个节点分类基准数据集上均取得优于对比基线方法的平均准确率，并在异配图和结构扰动场景中表现出较好的稳定性。该研究为从节点特征中发现任务相关连接提供了新的结构学习思路，也为提升图神经网络在复杂关系数据上的表示能力提供了参考。
