May, 2022

简单对比图聚类

PDF
TL;DR提出一种名为 Simple Contrastive Graph Clustering (SCGC) 的算法，从网络架构、数据增强和目标函数三个方面改进现有方法，通过简单的低通滤波去噪操作和两个多层感知器 (MLPs) 作为骨干网络，通过构建 siamese 编码器和直接损坏节点嵌入来实现数据增强，设计了新的跨视图结构一致性目标函数来提高网络的判别能力，实验结果表明，在七个基准数据集上，该算法比最近的对比深度聚类竞争对手快至少七倍，并取得了显著的性能优势。
contrastive learninggraph clusteringnetwork architecturedata augmentationobjective function
发现论文，激发创造
  • 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

  • 深度对比图学习与聚类导向引导

    基于图卷积网络，提出了深度对比图学习模型（DCGL），用于一般数据聚类。该模型通过建立伪孪生网络，将自编码器与图卷积网络相结合，强调图结构和原始特征，并引入特征级对比学习来增强判别能力，利用样本与质心之间的关系作为聚类导向指引。然后，设计了双分支图学习机制来提取局部和全局结构关系，并在聚类级别对比指导下将其嵌入到统一的图中。在几个基准数据集上的实验结果表明，DCGL 相对于现有算法具有优越性。

    Feb, 2024

  • 多视角对比图聚类

    本研究提出了一种多视图属性图数据聚类的通用框架，采用多视图对比图聚类 (MCGC) 方法来学习一致性图，相比现有的方法，该方法表现更优异，尤其是在深度学习方法上。

    Oct, 2021

  • 自对比图扩散网络

    我们提出了一种名为 Self-Contrastive Graph Diffusion Network（SCGDN）的新框架，其中包含 Attentional Module 和 Diffusion Module 两个主要组件，以实现高效的嵌入和节点状态的平衡，并避免采样偏见和语义漂移，综合利用结构和特征信息进行抽样，并最小化嵌入中的冗余信息以保留更有区分能力的信息。实验结果表明，SCGDN 相比于对照方法和经典方法具有更好的性能。

    Jul, 2023

  • 图形对比聚类

    本研究提出一种新的基于图的对比学习框架 ——Graph Contrastive Clustering（GCC），用于聚类任务，并利用该框架在六个常用数据集上进行了实验。实验结果表明，该方法在聚类问题上明显优于现有的最先进方法。

    Apr, 2021

  • 无监督图对比学习中的结构和语义全局知识获取

    本文提出了一种基于结构和语义对比学习算法框架的简单神经网络 - S^3-CL，用于在无监督情况下学习表达具有全局结构和语义的节点特征，通过实验表明与现有的基于 GNN 的无监督 GCL 方法相比，S^3-CL 在不同的下游任务上可以获得优异的表现。

    Feb, 2022

  • CGC：用于社群检测和跟踪的对比图聚类

    本文介绍一种基于对比学习的图聚类模型 CGC，它能够学习节点表征和群集分配，支持静态和动态图的聚类，并能检测变化点。实验表明，该模型在真实世界的图聚类中表现卓越。

    Apr, 2022

  • LightGCL: 简单而有效的图形对比学习用于推荐

    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

  • 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