IJCAIJan, 2022

基于元学习的信息图增强引导方法

PDF
TL;DR本文提出通过可学习的图形增强器 MEGA 来生成具有均匀性和信息性的图形增强，有效提高了自我监督学习任务中图形对比学习方法的特征表示能力，并通过多个基准数据集的实验证明了其优越性。
graph contrastive learninglearnable graph augmentermeta graph augmentationfeature representationmeta-learning paradigm
发现论文，激发创造
  • MetAug：元特征增强的对比学习

    本文提出一种基于元学习和生成模型的对比学习方法，该方法通过针对性地增强有信息量的特征，避免无用特征的干扰，实现了在少量数据下学习鲁棒性强且表达能力强的特征表示。

    Mar, 2022

  • 通过元梯度增强改善元学习的泛化能力

    本文从梯度规范化的角度出发，提出了一种数据无关的元梯度增强 (MGAug) 方法，通过网络修剪来打破背诵性记忆，并探讨了三种修剪策略，实验表明该方法在多个 few-shot 学习基准测试中显著提高了性能

    Jun, 2023

  • 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

  • 通过图消息增强统一图对比学习

    本研究通过引入图消息表示图数据，并提出了一种新颖的图消息增强（GMA）方法，为图的自监督学习任务提供了通用且更有效的图数据增强方案。通过引入 GMCL 方法，采用指导属性的通用 GMA 进行图对比学习，实验证明了所提出的 GMA 和 GMCL 方法的有效性和优势。

    Jan, 2024

  • 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

  • 元学习需要元增强

    本文提出了 Meta-Learning 中的过拟合问题，并使用信息理论框架讨论基于元学习数据增强的方法来解决这个问题。实验证明，该方法对最近提出的元规则技术有很大的补充作用。

    Jul, 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

  • 用元学习生成模型正则化神经网络

    该研究论文探讨了提高深度学习的生成数据增强方法。通过利用生成模型产生的合成样本作为附加的小数据集进行分类，生成数据增强能够改善分类效果。研究中提出了一种名为元生成正则化（MGR）的生成数据增强策略，通过在特征提取器的正则化项中使用合成样本来避免性能下降。实验结果表明，MGR 在小数据集上表现优异，有效地提高了基准性能。

    Jul, 2023

  • 自适应增强采样的对比度通用图匹配

    我们引入了一种新颖的基于图对比的图匹配框架（GCGM），利用大量的图扩充进行对比学习，无需任何额外的辅助信息，通过各种实验证实，我们的 GCGM 在各个数据集上超过了最先进的自监督方法，迈向了更有效、高效和通用的图匹配。

    Jun, 2024

  • 半监督图分类的标签不变增强

    本研究探讨了图像对比学习在图像分类中的成功应用，并提出了一种适用于图结构数据的标签不变增强方法，旨在提高半监督学习的表现。该方法在表征空间中进行增强，仅在最困难的方向生成样本，并通过有效结合图像旋转、剪裁及翻转等形式进行实验验证。结果表明，该方法优于基于图神经网络和图对比学习的其他方法。

    May, 2022