图对比学习及其它领域的频谱特征增强
我们提出了一种名为 GASSER 的方法,在图的频谱域中对特定频率的图结构进行有针对性的扰动,并且边缘扰动受频谱提示的指导。通过大量实验证明,这种扩增视图是适应性的、可控的,并且启发式地符合图结构的同质比和频谱。
Oct, 2023
本文介绍了一种光谱增强图对比学习模型(SHCL),首次在异构图神经网络中引入了一种光谱增强算法,通过异构图本身学习了一种自适应拓扑增强方案,扰乱了异构图的光谱维度的结构信息,从而最终提高了模型的学习效果。实验结果表明,该模型在多个真实数据集上具有显著优势。
Jun, 2024
本文提出了一种基于数据增强图的对比学习新概念,该概念能够以神经网络表示为对比学习目标提供详细的光谱分解损失,并在理论上证明了具有可验证的精度保证的特征学习方法,同时以实验证明其与一些强大基线方法相当或更好地匹配在基准视觉数据集上。
Jun, 2021
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
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。
May, 2022
通过谱镜游览,我们研究了图属性、其增强以及其谱行为之间的相互作用,并发现在生成增强图时保持低频特征值不变可以在大规模上保持关键属性。这些观察结果启发我们引入了双棱镜(DP)增强方法,包括 DP-Noise 和 DP-Mask,既保留了重要的图属性,又增加了增强图的多样性。广泛的实验证实了我们方法的有效性,为图数据增强提供了一个新的、有前景的方向。
Jan, 2024
通过应用特征基于自适应数据扩充(FebAA)方法,可以提高自监督学习模型中的准确性,这基于图形对比学习和深层图形对比学习,通过维护数据关键特征和误差特征,可以有效消除数据外推问题。
Jul, 2022