WSDMJan, 2022

无预设数据增强的图形对比学习：自定义视图

PDF
TL;DR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。
self-supervisiongraph learninggraph contrastive learningdata generationinformation minimization
发现论文，激发创造
  • 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

  • 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

  • 图形对比学习中的扩充：当前方法论缺陷和更好做法

    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。

    Nov, 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

  • 信息感知的图形对比学习

    提出了一种名为 InfoGCL 的基于信息瓶颈原则的信息感知图对比学习框架，与最新的图像对比学习方法统一，在节点和图分类基准数据集上进行了实证验证，取得了显著的效果优于现有技术。

    Oct, 2021

  • 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

  • AutoGCL: 可学习视角生成的自动图对比学习

    本文提出了一种名为 AutoGCL 的新型对比学习框架，该框架运用一组可学习的图视图生成器通过自动增强策略生成对比样本，提高了现有对比学习方法的构图灵活性和语义保留能力，同时实现了端到端的训练，经过大量实验证明相对于现有方法具有更好的性能和更加紧凑准确的对比样本。

    Sep, 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

  • 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

  • 图形对比学习与生成对抗网络

    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