分层对比学习增强异质图神经网络

Apr, 2023

分层对比学习增强异质图神经网络

Hierarchical Contrastive Learning Enhanced Heterogeneous Graph Neural Network

Nian Liu, Xiao Wang, Hui Han, Chuan Shi

TL;DR本文研究如何利用对比学习增强异构图神经网络的自我监督学习，提出了一种名为 HeCo 的新型协同对比学习机制，该机制使用交叉视图对比学习方法，学习节点嵌入以捕捉局部和高阶结构，并提出两种方法来生成更难的负样本以提高性能。最终获得包含不变因素和视图特定因素的高级节点嵌入。

Abstract

heterogeneous graph neural networks (HGNNs) as an emerging technique have shown superior capacity of dealing with heterogeneous information network (HIN). However, most HGNNs follow a semi-supervised learning manner, which notably limits their wide use in reality since labels are usual

heterogeneous graph neural networks contrastive learning self-supervised learning node embeddings high-order structure

发现论文，激发创造

自监督异质图神经网络与协同对比学习

本文研究了自监督的异构图神经网络，并提出了一种名为 HeCo 的新型协同对比学习机制，用于异构信息网络的节点嵌入学习，该方法利用两个视图提取两种嵌入，确保两个视图之间相互监督，学习高级节点嵌入，并使用两种 HeCo 扩展生成更难的高质量负样本，提高了性能。

May, 2021

生成对比异构图神经网络

通过利用自监督学习，我们提出了一种新颖的生成对比异构图神经网络 (GC-HGNN)，并且在结点分类和链接预测任务中显著超越最新的对比和生成基线模型。

Apr, 2024

RHCO: 一种关系感知的异构图神经网络，配合对比学习用于大规模图

本文提出了一种新的基于对比学习的关系感知异构图神经网络 RHCO，用于大规模异构图表示学习，相对于传统的异构图神经网络，可以更好地处理复杂异构网络结构，并采用标签平滑技术提高了性能，实验证明在三个大规模学术异构图数据集上 RHCO 取得了最好的性能表现。

Nov, 2022

CHGNN: 半监督对比超图学习网络

本文提出了一种使用自监督对比学习技术、适应性超图视图生成器以及改进的超图编码器的对比式超图神经网络（CHGNN），用于从已标记数据和未标记数据中学习，实验结果表明 CHGNN 在分类准确率方面优于 13 个竞争对手。

Mar, 2023

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

HCL：基于分层对比学习的图像表示改进

在图表征学习中，提出了一种新的分层对比学习 (Hierarchical Contrastive Learning, 简称 HCL) 框架，采用自适应的 L2Pool 方法进行更合理的多尺度图形拓扑构建，并采用多通道伪孪生网络来进一步扩展各级别内的互信息学习，以获得更丰富和更具层次感的表示。通过实验，HCL 在节点分类、节点聚类和图分类等 12 个数据集上均取得了具有竞争力的性能表现，并且通过可视化显示，HCL 成功捕捉到了图的有意义特征。

Oct, 2022

简单高效的异构图神经网络

本论文通过对异构图神经网络（HGNN）中注意力机制、多层结构进行深入研究，提出了 Simple and Efficient Heterogeneous Graph Neural Network（SeHGNN），该方法采用轻量级平均聚合器预先计算邻居聚合以捕获结构信息，采用长元路径和 Transformer 语义融合模块来更好地利用语义信息，结果表明 SeHGNN 具有简单的网络结构、高预测准确性和快速的训练速度。

Jul, 2022

M2HGCL: 多尺度元路径融合异构图对比学习

提出了一种新的多尺度元路径集成的异构图对比学习模型（M2HGCL），该模型通过扩展元路径并联合聚合直接邻居信息、初始元路径邻居信息和扩展元路径邻居信息，以充分捕捉判别信息，并进一步采用特定的正采样策略来纠正对比学习的内在缺陷，即困难负样本采样问题。通过在三个真实数据集上进行广泛实验，证明了 M2HGCL 模型优于目前最先进的基准模型。

Sep, 2023

基于引导法的异构图神经网络交叉视角自监督学习

本文介绍了一种使用 BYOL 自我监督学习方法的异质图神经网络模型，通过对网络模型和元路径视角进行高层表达来解决异质图生成高质量对的困难问题，并在实际数据集上展示了良好的性能。

Jan, 2022

图形对比学习与生成对抗网络

通过引入生成对抗网络（GAN）以学习图的视图分布，GACN 是一个新颖的生成对抗性对比学习网络，用于图表示学习。经过大量实验证实 GACN 能够为 GCL 生成高质量的增强视图，并且优于十二种最先进的基准方法。值得注意的是，我们提出的 GACN 出乎意料地发现数据增强中生成的视图最终符合在线网络中著名的优先连接规则。

Aug, 2023