缓解邻居偏差：通过结构等价正样本增强图自监督学习

Dec, 2022

缓解邻居偏差：通过结构等价正样本增强图自监督学习

Alleviating neighbor bias: augmenting graph self-supervise learning with structural equivalent positive samples

Jiawei Zhu, Mei Hong, Ronghua Du, Haifeng Li

TL;DR本文提出了一种基于拓扑信号驱动的自监督学习方法，通过使用多尺度的拓扑信息特征和具有高结构等价性的非邻居节点对之间的拖拽作用，解决了现有图神经网络中的邻近偏见问题，并在七个图数据集上的节点分类任务中有效提高了模型性能。

Abstract

In recent years, using a self-supervised learning framework to learn the general characteristics of graphs has been considered a promising paradigm for graph representation learning. The core of self-supervised learning

self-supervised learning graph neural networks positive sample selection topological features node classification

发现论文，激发创造

基于超图的自监督学习与高效采样信号

SE-HSSL 是一个基于超图的自我监督学习框架，通过两个无需采样的目标和一个基于层次关系的对比目标来解决超图自我监督学习模型中的负样本采样偏差和计算效率问题。实验证明，与现有方法相比，SE-HSSL 在有效性和效率上都具有优势。

Apr, 2024

无需显式负采样的自监督图神经网络

本研究提出了 SelfGNN，它是一种基于对比自监督技术的图神经网络，采用批量标准化和四种图形特征增强技术来实现无监督学习。除了使用常用的图形拓扑增强技术（TA），实验证明我们提出的特征增强（FA）能够与 TA 同样好地发挥作用，而且没有计算开销。在七种公开数据集上的实验结果表明，SelfGNN 表现出较高水平的性能，与 SOTA 监督 GNN 性能相当，并且始终优于 SOTA 半监督和无监督 GNN。

Mar, 2021

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

异质性下的自监督学习和图分类

本文探讨了自监督学习在异构图表征学习中的表现，并提出了一种基于度量的自监督预训练策略来增强 GRN 的图结构捕捉能力。实验结果表明，该预训练策略在分子属性预测和蛋白质功能预测任务中取得了最先进的性能。

Jun, 2023

自监督训练的图卷积网络

本文提出了两种无监督自学习策略来利用输入图形结构数据中的可用信息，以进一步改善有限的训练数据下模型的学习能力和性能。该方法在三个公共引文网络数据集上使用两个代表性的 GCN 模型进行了实验验证，展示了其在显著提高特征学习方面的自我监督学习能力和可移植性。

Jun, 2020

MNN：混合最近邻算法用于自监督学习

通过引入最近邻样本和图像混合操作，该研究提出了一种名为 MNN 的简单自监督学习框架，优化了最近邻样本对正样本语义的影响，展示了在四个基准数据集上出色的泛化性能和训练效率。

Nov, 2023

基于相似度的正样本抽样用于图对比度预训练

本文提出通过选择训练集中已有的合法图形作为正例，结合基于特定领域相似度测量和分层图编码相似关系进行抽样的方法，解决了当前方法中正例缺失图信息甚至产生非法实例的问题，并且引入自适应节点级训练方法，提取五个关键词：图实例对比学习、图神经网络预训练、正例图实例、基于特定领域的成对相似度测量和自适应节点级预训练。

Jun, 2022

协同深度图聚类网络

使用图神经网络（GNNs）学习连贯且有区分力的节点表示以进行聚类在深层图聚类中已经显示出了良好的结果。然而，现有方法忽视了表示学习与结构增强之间的相互关系。该研究表明，增强嵌入和结构的协同作用对于释放 GNNs 在深层图聚类中的潜力变得必要。可靠的结构促进获取更连贯的节点表示，而高质量的节点表示可以指导结构的增强，从而提高结构的可靠性。此外，现有基于 GNNs 的模型的泛化能力相对较差。尽管它们在具有高同质性的图上表现良好，但在具有低同质性的图上表现较差。为此，我们提出了一个名为 Synergistic Deep Graph Clustering Network（SynC）的图聚类框架。在我们的方法中，我们设计了一个名为 Transform Input Graph Auto-Encoder（TIGAE）的模型来获取高质量的嵌入，并用于引导结构增强。然后，在增强的图上重新捕捉邻域表示以获得适合聚类的嵌入，并进行自监督聚类。值得注意的是，表示学习和结构增强共享权重，从而大大减少了模型参数的数量。此外，我们引入了一种结构微调策略以提高模型的泛化能力。对基准数据集进行的大量实验证明了我们方法的优越性和有效性。代码已在 GitHub 和 Code Ocean 上发布。

Jun, 2024

通过拓扑样本选择缓解图上的标签噪声

我们提出了一种基于拓扑信息的拓扑样本选择方法（TSS），通过利用拓扑信息来提高图中信息样本的选择过程，从而解决在非独立同分布图数据和 GNN 中的样本选择中存在的问题。通过理论证明，我们的方法在清洁目标分布下最小化了预期风险的上界，并在实验中与最先进的基线模型相比展示了我们方法的优越性。

Mar, 2024

通过改善具有局部混合模式的图的同配性来突破图神经网络的限制

在图神经网络中，提出用节点级异质性度量替代全局同质性系数来更好地表示网络节点的混合模式，进而设计了一种改进的计算图结构，并在此基础上提出一种自适应选择结构与接近度信息的模型，以取得更好的性能，其中针对半监督节点分类任务进行的实验也取得了良好的结果。

Jun, 2021