基于模式的图形表示对比学习
本研究介绍了一种基于图形的分子数据的自我监督学习的新型方法,称为基于图案的图形自我监督学习(MGSSL)。我们提出了一种依赖于自生成基元的新的预训练框架来捕获分子图中的丰富信息,该框架可以在宽度优先或深度优先的方式下执行,并在不同的下游基准任务上进行了广泛实验,表明我们的方法优于所有最先进的基线。
Oct, 2021
我们提出了一种新颖的解决方案,双层图自监督预训练与图形模体发现(DGPM),通过引入独特的双层预训练结构来解决拓扑学习有限,依赖人类知识和多级交互无力等挑战。在 15 个数据集上的大量实验证实了 DGPM 的有效性和普适性,在无监督表示学习和迁移学习设置中优于最先进的方法。自主发现的模体展示了 DGPM 提升鲁棒性和可解释性的潜力。
Dec, 2023
本文提出了一种新颖的框架,可以在任意图上学习空间和关注卷积神经网络,通过子图归一化和自我关注层,可以显著提高传统图内核和现有深度模型的图分类基准。
Nov, 2018
本文探讨了子图结构学习在图分类中的潜力,同时提出了基于图形结构学习的 Motif - 驱动子图结构学习方法 (MOSGSL),通过解决关键子图选择和结构优化的挑战,从而在图分类任务中取得了显著和一致的改进。
Jun, 2024
提出了一种基于自监督的子图对比 (Subg-Con) 的图表示学习方法,有效捕捉了大规模图数据中的区域结构信息,在弱监督、模型可伸缩性和并行性等方面具有显著的性能优势。
Sep, 2020
本研究提出了一种基于自适应子图生成对比学习框架,可以通过捕捉图的内在结构来生成对比样本,并同时根据子图的特征和结构来区分样本,以最优运输距离作为子图之间的相似度度量。通过在基准数据集上进行广泛的节点分类实验,验证了该图对比学习方法的有效性。
Jul, 2022
通过使用基础单元为基本图案生成解释的基于 Motif 的 GNN 解释器(MAGE),本研究解决了分子图神经网络在解释性方面所面临的挑战。通过定量和定性评估六个真实世界分子数据集,验证了该方法的有效性。
May, 2024
本文提出了一种新的细粒度语义增强的图对比学习方法(FSGCL),采用基于图形的结构构造,提取具有不同语义的图形,并从模型训练的角度进一步增强对细粒度语义的利用。实验表明,相对于现有的方法,所提出的 FSGCL 方法具有更好的性能。
Apr, 2023