Nov, 2021

图形对比学习中的扩充：当前方法论缺陷和更好做法

PDF
TL;DR该论文介绍了使用对比学习（CL）进行无监督图表示学习的方法。作者通过探究使用域不可知图形扩充的高性能图像对比学习和 DAGAs 对图形对比学习的影响，提出了几个检查机制和设计任务感知扩充的策略，以提高模型的准确性。
unsupervised learninggraph representation learningcontrastive learninggraph neural networkstask-aware augmentations
发现论文，激发创造
  • 自适应增强的图形对比学习

    本文提出了一种新的自适应增强方法，通过设计基于节点中心性和节点属性的增强策略来保留图的内在结构和属性信息，并验证此方法在节点分类任务中优于现有方法和监督学习模型。

    Oct, 2020

  • 图形对比学习与数据增强

    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

  • 简单的图对比学习在推荐中是否需要图增强？

    本研究揭示了对比学习的推荐模型是通过学习更均匀分布的用户 / 物品表示隐含地减轻受欢迎程度偏见，并且建议一种可以平滑调整所学表示的均匀性的简单 CL 方法。

    Dec, 2021

  • 推荐系统的图增强

    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

  • 图形对比学习自动化

    本文提出了一个名为 JOint Augmentation Optimization（JOAO）的自动、适应性和动态的数据增强选择方法，该方法允许在特定的图形数据上执行图形对比学习（GraphCL），并证明该方法性能良好。

    Jun, 2021

  • 超图对比学习中的数据增广：构造式和生成式

    本研究旨在改善低标签环境下超图神经网络的泛化性能，提出 HyperGCL 方法，通过应用图像 / 图形上的对比学习方法构建超图的对比视图，其中包括从领域知识指导下的虚构方案以及利用超图生成模型进行数据驱动上的更有效视图的探索。实验结果表明，HyperGCL 在提高超图表示学习的鲁棒性和公平性方面表现出色。

    Oct, 2022

  • 通过敌对性图增强改进图对比学习

    本文提出了一种基于对抗性图增强策略的自监督学习框架 adversarial-GCL，解决了传统图对比学习方法捕获冗余图特征的问题，实验证明该方法在无监督、迁移和半监督学习任务中均可达到较好的性能。

    Jun, 2021

  • 社区不变的图形对比学习

    图社群在图增强中的关键性优势以及基于图谱变化最大化的社群不变图对拓扑和特征增强的统一约束，提高模型的鲁棒性。

    May, 2024

  • 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