我们提出了概念和关系图（CRG）和概念合成神经网络（Composer），通过对 CRG 的利用来进行视觉基础概念学习，从而学习原始和所有的复合概念，将它们与图像对齐，提高文本到图像匹配的准确性，并且在不同粒度级别（句级和词级）建模形成的基础概念，实现概念合成引领更加鲁棒的基础结果。

Sep, 2021

DecouPled CRE (DP-CRE) framework effectively handles the challenge of catastrophic forgetting in Continuous Relation Extraction (CRE) by decoupling the preservation of prior information and acquisition of new knowledge, outperforming other CRE baselines in extensive experiments.

Mar, 2024

对比学习在图学习领域吸引了大量研究兴趣，现有的图对比学习方法需要大规模和多样化的负样本来确保嵌入的质量，但这样会引入虚假的负样本，同时增加了计算负担和时间复杂度，为解决这些问题，提出了一种简单而有效的模型 GraphRank，通过引入基于排名的学习来测量相似度得分，成功地缓解了虚假负样本问题，并将时间复杂度从 O (N^2) 降低到 O (N)，并在多个图任务上展开了广泛实验，证明 GraphRank 在各种任务中表现优异。

Oct, 2023

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

使用 feature-rich cognitive hypergraphs 模型基于 word association data 预测单词的具体性，相比 pairwise-based feature aggregations 和 pairwise networks 有更好的表现，并且丰富了和语言心理学向量相关的信息。

Apr, 2023

本文介绍了一种基于关系对称结构的知识图谱对比学习框架 KGE-SymCL，通过设计可插拔的方法将关系对称位置中的实体作为正样本用于对比学习，同时使用自监督对齐损失来使构建的样本对更加相似，实验结果表明该框架具有很好的泛化能力和优越性。

Nov, 2022

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

基于语义图的反事实解释方法使用类探测模型和图嵌入来提供更具描述性、准确性和与人类对齐性的解释，实验结果表明其在视觉领域的超越性能。

Mar, 2024

本研究提出了一个名为图形协作推理（GCR）的方法，该方法利用邻居链接信息从逻辑推理角度对图形进行关系推理，并在常用基准数据集上展示其在链接预测等任务方面的卓越表现。

Dec, 2021

提出了一种创新的框架：对抗课程图对比学习（ACGCL），利用成对增强技术生成可控相似性的图级正负样本，并通过子图对比学习鉴别其中的有效图模式。ACGCL 框架内还设计了一种新颖的对抗课程训练方法，通过逐渐增加样本难度来促进渐进学习。最后，通过对六个知名基准数据集进行全面评估，ACGCL 显著超过一组最先进的基准。

Feb, 2024