学术期刊：《knowledge-based systems》，Volume 329, Part A, 4 November 2025, 114288
作者简介：余虔诚，米兰电竞·(中国区)统计与数学学院2024级应用统计专业硕士；陈智睿，米兰电竞·(中国区)统计与数学学院2022级金融数学本科生；陈潇，米兰电竞·(中国区)统计与数学学院2024级应用统计专业硕士；姜旭初，米兰电竞·(中国区)统计与数学学院副教授、博士生导师，主要研究机器学习、深度学习、时间序列预测、自然语言处理，以第一作者或通讯作者发表论文于《Pattern Recognition》《Knowledge-Based Systems》《Information Sciences》《International Journal of Production Research》《Computers & Operations Research》《Computers & Industrial Engineering》《Expert Systems with Applications》《Applied Soft Computing》《统计研究》《系统工程理论与实践》《管理学报》等期刊
主要观点：
近年来，图对比学习作为一种有效的自监督学习方法，通过最大化正样本之间的相似性、最小化负样本之间的相似性来学习节点或图的表示。然而，现有方法大多局限于欧几里得空间，难以有效捕捉图数据中固有的层次化拓扑结构，导致嵌入过程中出现结构失真和信息丢失。此外，传统对比学习方法依赖大量负样本，计算复杂度高；而图扩散模型在生成图结构时也面临高计算成本和拓扑信息损失的问题。
为此，本文提出了一种名为HyCroD的创新框架。其核心观点在于：双曲几何因其固有的负曲率与指数级扩张特性，是表征层次化结构的理想空间。基于此，HyCroD通过一个双分支孪生网络架构，将图数据分别嵌入欧几里得与双曲空间进行协同学习。具体而言，模型在双曲空间中引入了方向感知的图扩散进行数据增强，该机制能依据节点聚类引导扩散方向，从而更好地保留结构的层次语义；同时，设计了跨网格与跨视图的双重对比学习目标，旨在充分利用不同空间所保留的互补信息，并在不依赖负样本的情况下生成高质量的自监督信号。通过在多个基准数据集上的实验验证，该方法显著提升了节点分类的准确性，证实了融合双空间表示学习对于保留图数据复杂层次结构的有效性与优越性。
