WWWJul, 2022

为图对比学习生成反事实难负样本

PDF
TL;DR提出了一种基于对抗样本生成机制的无监督图学习方法 CGC，它能够让模型获取高质量的正负样本对，避免了传统无监督学习方法中出现的 False Negative 问题，其在多个数据集上与传统无监督学习方法和一些 SOTA 图对比学习方法相比实现了令人满意的结果。
发现论文，激发创造
  • 对比学习的合成硬负样本

    本文提出了一种特征级方法，即采样合成难负样本用于对比学习（SSCL），以更有效地利用更难的负样本。该方法通过混合负样本生成更多且更难的负样本，然后通过控制锚定样本与其他负样本的对比度的方式进行采样，并且考虑到假负样本的可能性进一步消除了负样本。这种方法提高了不同图像数据集的分类性能，并可以轻松集成到现有方法中。

    Apr, 2023

  • 带难负样本的对比学习

    通过开发一种新的无监督采样方法来选择难以区分的硬负样本，该方法改进了跨多种模态的下游性能，仅需要少量额外的代码进行实现，并且不会引入计算负担。

    Oct, 2020

  • 图形自对比表示学习

    本文提出了一种名为 GraphSC 的新型图自我对比框架，它使用图自身通过图增强函数生成正负样本，并使用 Hilbert-Schmidt 独立准则对表示进行分解并引入掩蔽自我对比机制以更好地区分正负样本，同时通过显式减小锚点和正样本之间的绝对距离来加快收敛，并在无监督和迁移学习设置下与其他 19 种最先进方法进行了广泛实验评估。

    Sep, 2023

  • 对抗式课程图对比学习与配对数据增强

    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

  • 图形对比主题模型

    本文提出了一种基于图的对比学习方法，使用生成的正负样本和原型来改善学习文档主题表示和潜在主题。通过对几个基准数据集的实验，证明了该方法在主题连贯性和文档表示学习方面的有效性。

    Jul, 2023

  • 我们是否真的需要用于图表示的对比学习？

    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

  • DropMix：更好的图形对比学习与更困难的负样本

    在图对比学习中，我们提出了一种名为 DropMix 的新方法，用于合成更加困难的负样本，通过选择和混合难负样本的表示维度，减少信息丢失，从而提升图对比学习性能。

    Oct, 2023

  • ProGCL：图对比学习中重新思考难负样本采集

    论文提出 ProGCL 模型，通过硬负采样的方式，结合相似度和真实性的概率带来了显著的性能提升，成为当前无监督学习领域的 state-of-the-art 模型之一。

    Oct, 2021

  • 异构图对比学习中的结构感知难例挖掘

    本文通过结构感知的硬负样本挖掘方案提出了一个基于自监督学习的对比学习方法，可以在少量标记数据的情况下提高异构图分析模型的准确性，并通过三个真实数据集的实证研究验证了该方法的有效性。

    Aug, 2021

  • 探究硬负样本分布对对比知识图谱嵌入的影响

    本文探讨了知识图谱嵌入的关键问题，并提出了使用 Hardness and Structure-aware（HaSa）对抗性 KGE 算法与负样本分布来消除误分类三元组，从而在 WN18RR 和 FB15k-237 数据集上优于现有的 KGE 方法。

    May, 2023