Jul, 2020

GraphCL: 对图形表示的对比自监督学习

HTML
PDF
TL;DR本文提出了一种名为 Graph Contrastive Learning（GraphCL）的一般框架，以自我监督的方式学习节点表示，通过最大化同一节点的本地子图的内在特征和连接结构的两个随机扰动版本的表示之间的相似性来学习节点嵌入，并使用对比学习损失来最大化它们之间的一致性，证明我们的方法在节点分类基准测试中显着优于无监督学习的现有技术。
发现论文，激发创造
  • 基于对比的多视图图形表示学习

    文章介绍了通过对比不同结构视图的图表达学习来实现自监督学习，相对于多视图或多尺度编码，通过对比一阶邻居和图扩散编码能够获得最佳表现。该方法在8个节点和图分类基准测试中取得了新的最佳结果，在Cora（节点）和Reddit-Binary（图）分类基准测试中，取得了86.8％和84.5％的准确性，在4个基准测试中优于有监督的基线。

    Jun, 2020

  • 图形对比学习的实证研究

    本文提出了一种利用Graph Contrastive Learning无人工标注学习图形表示的新范式，并通过对一系列基准任务和各种领域的数据集进行广泛、可控的实验，研究不同的GCL组件之间的相互作用，得出了一套有效GCL的一般特性与实现技巧。

    Sep, 2021

  • 无预设数据增强的图形对比学习：自定义视图

    本研究利用自监督学习的方法，在图形学习中，通过数据生成学习可学习的连续先验，并利用信息最小化和信息瓶颈原则对学习的先验进行规范化，用于构建双层优化框架，并在小规模和大规模图表上展示了比同类方法更好的学习效果。

    Jan, 2022

  • 无监督图对比学习中的结构和语义全局知识获取

    本文提出了一种基于结构和语义对比学习算法框架的简单神经网络-S^3-CL，用于在无监督情况下学习表达具有全局结构和语义的节点特征，通过实验表明与现有的基于GNN的无监督GCL方法相比，S^3-CL在不同的下游任务上可以获得优异的表现。

    Feb, 2022

  • 基于局部结构的图形对比表示学习

    我们提出了一种局部结构感知的图对比学习方法 (LS-GCL)，用于从多个视角建模节点的结构信息，并且通过多层对比损失函数来优化模型，实验结果表明我们的方法在节点分类和链接预测任务上均优于最先进的图表示学习方法。

    Aug, 2023

  • 基于多个节点中心子图的对比表示学习

    用图对比学习的框架，我们提出了一种多节点中心子图对比表示学习方法，以自我监督的方式学习图中节点的表示，通过对中心节点的一系列节点中心区域子图进行精心设计，通过对同一节点的不同子图之间的互信息进行对比损失的最大化来实现。对各种真实世界数据集和不同下游任务的实验证明，我们的模型取得了最先进的结果。

    Aug, 2023

  • 图对比学习的可证明训练

    通过提出节点紧凑度作为度量，证明了基于图对比学习在训练过程中存在不平衡问题，并推导了节点紧凑度的理论形式，提出了一种能够更好地遵循基于图对比学习原则的 PrOvable Training (POT) 方法，在多个基准测试中持续提升了现有的基于图对比学习方法。

    Sep, 2023

  • 简洁且非对称的图形对比学习无需数据增强

    通过考虑相邻节点的非对称视图，本文提出了一种简单的算法——用于图的非对称对比学习（GraphACL），它不依赖图扩充和同质性假设，在同质性和异质性图上具有优于最新的图对比学习和自监督学习方法的性能。

    Oct, 2023

  • 走向图对比学习: 调查和进展

    在图数据上的深度学习、自监督学习、图对比学习和以数据为基础的图学习的实际应用是这篇综述的主要内容。

    May, 2024

  • 通过多维对比学习增强的图表示嵌入（GRE^2-MDCL）

    本研究针对现有图神经网络模型在缺乏标注数据的实际应用中的局限性，提出了一种新的图表示嵌入方法GRE2-MDCL。该方法采用三重网络架构和多头注意力GNN，结合SVD和LAGNN技术进行图输入的全局和局部增强，并构建多维对比损失以优化模型。实验结果表明，GRE2-MDCL在多个基准数据集上实现了最先进的性能，显著提升了图结构捕捉的准确性。

    Sep, 2024