本文介绍了一种用于对图和图片进行对比学习的新颖的光谱特征增强方法,通过不完全的幂迭代,可以部分平衡特征图的频谱,注入噪声,从而实现光谱增强,提高了泛化能力,是一种与其他增强策略互补且兼容各种对比损失的方法。
Dec, 2022
本研究提出了一种基于光谱扩增的拓扑扩充方法,可以指导 GCL 捕获特征的不变性,实现了自监督表征学习,并带来了更好的泛化能力和抵御对抗性攻击的鲁棒性。
Oct, 2022
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
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
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
该论文介绍了使用对比学习(CL)进行无监督图表示学习的方法。作者通过探究使用域不可知图形扩充的高性能图像对比学习和 DAGAs 对图形对比学习的影响,提出了几个检查机制和设计任务感知扩充的策略,以提高模型的准确性。
Nov, 2021
本研究提出了一种图形比较学习 (GraphCL) 框架,通过图形增强等多种方式对图形数据进行无监督学习来学习表示。结果表明,即使不使用复杂的 GNN 架构,GraphCL 框架也可以生成类似或更好的通用性、可转移性和鲁棒性的图形表示。
提出了一种新颖的 Temporal Graph representation learning with Adaptive augmentation Contrastive (TGAC) 模型,该模型通过将先验知识与时间信息相结合,对时态图进行自适应增强,并通过定义增强之间的相互视角对比和内部视角对比来构建对比目标函数,以减少网络中的噪声。广泛的实验证明,该模型优于其他时态图表示学习方法。
Nov, 2023