摘要
网络科学近年来广受关注，其发展得益于节点表示学习在社交网络分析、生物建模等多种应用场景中的变革性作用。尽管浅层嵌入算法在捕捉网络结构方面表现出色，但其面临一个关键局限：难以泛化至未见节点。本文针对这一挑战，提出了一种开创性的方法——归纳式浅层节点嵌入（Inductive Shallow Node Embedding），作为核心贡献，首次将浅层嵌入扩展至归纳学习领域。该方法设计了一种新颖的编码器架构，能够有效捕捉每个节点的局部邻域结构，从而实现对未见节点的高效泛化。在泛化过程中，鲁棒性至关重要，以避免因数据集中的噪声导致性能下降。理论分析表明，所提出模型中加性噪声项的协方差与节点邻居集合的基数呈反比关系。另一项贡献是提出了一个数学下界，用于量化节点嵌入的鲁棒性，验证了其在参数噪声存在的情况下显著优于传统浅层嵌入方法。在动态网络场景下，所提方法表现出色，相较于训练过程中已见节点，在多个基准测试中对未见节点的性能始终保持在90%以上。实验评估结果表明，无论在归纳任务还是直推任务中，该方法在绝大多数数据集上均显著优于现有对比方法。