May, 2022

半监督图分类的标签不变增强

PDF
TL;DR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。
contrastive learninggraph-structured datalabel-invariant augmentationsemi-supervised learninggraph neural networks
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

  • 用于图分类的自动化数据增强

    本文提出了 GraphAug，一种自动化的数据增强方法，通过采用基于强化学习的训练方法最大化预测的标签不变概率，可以在大多数时候产生标签不变性数据增强，并在不同的图分类任务中优于以前的图增强方法。

    Feb, 2022

  • 图形对比学习的光谱增强

    本文中提出了一种基于对称拉普拉斯特征值的图形裁剪增强方法和通过全局随机游走的局部子图对齐来改进图对比学习方法，并在不同类型的图表现中体现出更好的性能。

    Feb, 2023

  • 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

  • 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

  • 可靠增強的對比圖聚類

    通过学习能力强的数据增强方法进行对比图节点聚类是非监督图学习领域的热点研究，现有方法虽然已取得良好的聚类性能，但容易出现语义漂移问题，为此我们提出了一种可靠数据增强的 CONVERT 对比图聚类网络，通过可逆干扰恢复网络提取可靠的语义信息并使用新颖的语义损失约束网络，同时设计了标签匹配机制进行模型指导，实验证明了该方法的有效性。

    Aug, 2023

  • 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

  • 图上自监督学习的谱增强

    本研究提出了一种基于光谱扩增的拓扑扩充方法，可以指导 GCL 捕获特征的不变性，实现了自监督表征学习，并带来了更好的泛化能力和抵御对抗性攻击的鲁棒性。

    Oct, 2022

  • 图神经网络的数据增强

    本文介绍了一个名为 GAug 的图数据增强框架，并讨论了在图形神经网络 (GNN) 上进行数据增强的实际动机、考虑因素和策略，重点介绍了如何通过神经边缘预测器有效地提高节点分类性能。实验结果表明，通过 GAug 的数据增强可以提高 GNN 的性能，适用于多种基准数据集和架构。

    Jun, 2020

  • 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