ECCVJul, 2022

自监督图表示学习的生成子图对比

PDF
TL;DR本研究提出了一种基于自适应子图生成对比学习框架，可以通过捕捉图的内在结构来生成对比样本，并同时根据子图的特征和结构来区分样本，以最优运输距离作为子图之间的相似度度量。通过在基准数据集上进行广泛的节点分类实验，验证了该图对比学习方法的有效性。
contrastive learninggraph representation learningsubgraph generationoptimal transport distancenode classification
发现论文，激发创造
  • 可扩展自监督图表征学习的子图对比

    提出了一种基于自监督的子图对比 (Subg-Con) 的图表示学习方法，有效捕捉了大规模图数据中的区域结构信息，在弱监督、模型可伸缩性和并行性等方面具有显著的性能优势。

    Sep, 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

  • GraphCL: 对图形表示的对比自监督学习

    本文提出了一种名为 Graph Contrastive Learning（GraphCL）的一般框架，以自我监督的方式学习节点表示，通过最大化同一节点的本地子图的内在特征和连接结构的两个随机扰动版本的表示之间的相似性来学习节点嵌入，并使用对比学习损失来最大化它们之间的一致性，证明我们的方法在节点分类基准测试中显着优于无监督学习的现有技术。

    Jul, 2020

  • 通过对比正则化提高图表示学习

    通过理论分析和实验，本文提出一种轻量级正则化项，旨在避免节点表示的高规范化和高变异性以提高泛化性能，从而在不同的节点相似性定义方面显着改善表示质量并超越现有最佳方法。

    Jan, 2021

  • 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

  • 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

  • 基于模式的图形表示对比学习

    通过学习图模式 (Motif)，对大型图数据库进行 GNN 预处理，进而利用学习到的模式采样更多信息化的子图，通过对子图的对比学习预训练 GNN，使其性能在多个基准数据集中平均提高了 2.04% 的 ROC-AUC。

    Dec, 2020

  • 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

  • 深度图对比表示学习

    本文提出了一种基于对比方法的无监督图表示学习框架，利用对节点进行的对比目标学习节点表示，包括结构和属性层面的图视图生成，实验证明本方法在各种真实世界数据集上的表现均优于现有最新技术方法，特别是在跨学科学习任务中，甚至超过监督方法，具有广泛的应用潜力。

    Jun, 2020

  • 多尺度子图对比学习

    通过对子图取样，在不同尺度上生成全局和局部视图，并根据它们的语义关联构建多种对比关系，以提供更丰富的自监督信号，从而实现对细粒度语义信息的表征。在八个图分类现实世界数据集上进行的大量实验和参数分析充分证明了该方法的有效性。

    Mar, 2024