通过相互信息最大化聚合子图学习图表示

Mar, 2021

通过相互信息最大化聚合子图学习图表示

Learning Graph Representation by Aggregating Subgraphs via Mutual Information Maximization

Chenguang Wang, Ziwen Liu

TL;DR本文提出了一种自监督学习方法，使用子图增强图级表示，设计了三种信息聚合器：attribute-conv，layer-conv 和 subgraph-conv 以从不同方面收集信息，并提出了头尾对比构建以提供丰富的负样本。在多个基准测试中，结果显示出了新的无监督状态下的最先进的结果，并在半监督学习任务上对其进行了公平比较。

Abstract

In this paper, we introduce a self-supervised learning method to enhance the graph-level representations with the help of a set of subgraphs. For this purpose, we propose a universal framework to generate

self-supervised learning subgraphs graph neural networks contrastive learning semi-supervised learning

发现论文，激发创造

InfoGraph：利用互信息最大化进行无监督和半监督图级表示学习

本文研究无监督与半监督情境下，学习整个图的表示。通过最大化不同规模子结构（例如节点，边和三角形）的表示和图表示之间的互信息，提出了名为 InfoGraph 的图级表示学习方法。InfoGraph 优于现有的竞争基线。同时，我们还提出了一个名为 InfoGraph * 的扩展，主要用于半监督学习。

Jul, 2019

可扩展自监督图表征学习的子图对比

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

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

深度图对比表示学习

本文提出了一种基于对比方法的无监督图表示学习框架，利用对节点进行的对比目标学习节点表示，包括结构和属性层面的图视图生成，实验证明本方法在各种真实世界数据集上的表现均优于现有最新技术方法，特别是在跨学科学习任务中，甚至超过监督方法，具有广泛的应用潜力。

Jun, 2020

SUGAR: 带强化池化和自监督互信息机制的子图神经网络

本文提出 SUGAR 算法，采用层次子图选择和嵌入来学习更有判别力的子图表示，并通过奖励池化机制和自监督互信息机制来提高模型的泛化能力和解释性。在六个典型的生物信息学数据集上进行的实验表明，SUGAR 算法具有竞争性的性能和可解释性，能够显著提高模型的质量。

Jan, 2021

基于模式的图形表示对比学习

通过学习图模式 (Motif)，对大型图数据库进行 GNN 预处理，进而利用学习到的模式采样更多信息化的子图，通过对子图的对比学习预训练 GNN，使其性能在多个基准数据集中平均提高了 2.04% 的 ROC-AUC。

Dec, 2020

基于子图网络的对比学习

本文提出了一种名为基于子图网络的对比学习的新框架，用于挖掘子结构与图表征之间的相互作用，可提高图像的非监督和迁移学习性能。

Jun, 2023

多视图子图神经网络：稀缺标记数据的自监督学习

利用子图构建长距离依赖关系来改善低数据环境下节点分类的性能，并提出了一种名为 Muse 的自监督学习框架，通过联合捕获局部结构和长距离依赖关系，提高了图中节点的表示表达能力。

Apr, 2024

多尺度子图对比学习

通过对子图取样，在不同尺度上生成全局和局部视图，并根据它们的语义关联构建多种对比关系，以提供更丰富的自监督信号，从而实现对细粒度语义信息的表征。在八个图分类现实世界数据集上进行的大量实验和参数分析充分证明了该方法的有效性。

Mar, 2024

图形背后的更多秘密：利用自我监督学习通用特征

研究多图之间自监管的通用特征学习问题，提出了一种使用 transformer 和 neighborhood aggregation 模块来将多个具有不同特征的图的结点向量映射到通用向量空间的方法，实现了在多个相同类型图之间学习通用特征，并在节点分类任务上取得了比只用单一个图进行自监管学习更好的效果，填补了自监管和有监管学习间的差距和提高图自监管学习的表现。

May, 2023