通过敌对性图增强改进图对比学习
通过引入生成对抗网络(GAN)以学习图的视图分布,GACN 是一个新颖的生成对抗性对比学习网络,用于图表示学习。经过大量实验证实 GACN 能够为 GCL 生成高质量的增强视图,并且优于十二种最先进的基准方法。值得注意的是,我们提出的 GACN 出乎意料地发现数据增强中生成的视图最终符合在线网络中著名的优先连接规则。
Aug, 2023
本文提出了一种相似性保持的对抗性图对比学习框架 (SP-AGCL),以对抗攻击进行鲁棒性研究,对比干净的图与两个性质不同的辅助视图 (即节点相似性保持视图和对抗视图),并通过实验证实了 SP-AGCL 在多个下游任务中的竞争性能和在多种场景下的有效性。
Jun, 2023
本研究提出了一种图形比较学习 (GraphCL) 框架,通过图形增强等多种方式对图形数据进行无监督学习来学习表示。结果表明,即使不使用复杂的 GNN 架构,GraphCL 框架也可以生成类似或更好的通用性、可转移性和鲁棒性的图形表示。
Oct, 2020
提出了一种创新的框架:对抗课程图对比学习(ACGCL),利用成对增强技术生成可控相似性的图级正负样本,并通过子图对比学习鉴别其中的有效图模式。ACGCL 框架内还设计了一种新颖的对抗课程训练方法,通过逐渐增加样本难度来促进渐进学习。最后,通过对六个知名基准数据集进行全面评估,ACGCL 显著超过一组最先进的基准。
Feb, 2024
通过对图结构的适应性敌对攻击评估节点和图分类任务,本研究介绍了一个全面的 GCL 模型鲁棒性评估协议,旨在探索 GCL 方法的鲁棒性,并为潜在的未来研究方向开辟新途径。
Nov, 2023
提出了一种名为 GraphAug 的原则性框架,该框架引入了一个强大的数据增强器,生成去噪的自监督信号,增强推荐系统的性能。该框架通过自适应地调整对比视图生成,自动地提炼信息丰富的自监督信息。通过对真实数据集的严格实验评估,得出 GraphAug 模型相对于现有基线方法的卓越性能。
Mar, 2024
本研究提出了一个简单而有效的方法,即 FastGCL,它针对图形神经网络的特征(如邻域聚合)构建加权聚合和非聚合邻域信息作为正负样本,通过识别数据的潜在语义信息来快速训练和收敛,从而在节点分类和图分类任务中具有竞争性的分类性能和显着的训练加速。
May, 2022
本文提出了一种新的图对比学习范式 LightGCL,基于奇异值分解对图的对比增强进行单一约束结构的调整,在推荐系统领域具有显著的性能优势和鲁棒性。
Feb, 2023
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。
Jul, 2020