May, 2023

GIMM：用于自动化图形对比学习的信息最小 - 最大

PDF
TL;DR提出 InfoMin-Max 以应对无监督图对比学习中，自动数据增强方法缺乏信息的风险，该方法通过对抗训练获得 InfoMin 最优视图的近似，并利用 InfoMax 学习优秀的编码器。GIMM 是第一个将 InfoMin 和 InfoMax 原则应用于图对比学习的方法，并引入随机增强来稳定模型。大量实验表明此方法优于现有的自动和手动数据增强的 GCL 方法。
发现论文，激发创造
  • 基于信息论的通用图形对比学习

    本文提出了一个名为 GCL-GE 的指标来衡量图对比学习 GCL 的一般化能力，并通过信息理论的角度理论上证明了一个互信息的上界。基于这个证明，我们设计了一个名为 InfoAdv 的 GCL 框架，该框架具有增强的一般化能力，在预训练任务适配和下游任务的一般化能力之间取得了平衡，并在各种基准测试中取得了最先进的性能。

    Nov, 2022

  • 信息感知的图形对比学习

    提出了一种名为 InfoGCL 的基于信息瓶颈原则的信息感知图对比学习框架，与最新的图像对比学习方法统一，在节点和图分类基准数据集上进行了实证验证，取得了显著的效果优于现有技术。

    Oct, 2021

  • 通过图形互信息最大化进行图形表示学习

    本文提出了一个新颖的概念，图互信息（Graphical Mutual Information，GMI），用于无监督地将图结构数据中的丰富信息提取到嵌入空间中进行表示学习，同时运用 GMI 开发了无监督学习模型并在节点分类和链接预测等任务上表现出明显的优越性。

    Feb, 2020

  • 理解和缓解图对比学习中的维度崩溃：一种非最大值消除方法

    该论文提出了一种非最大值移除图对比学习方法，用于解决图对比学习中维度塌陷的问题，并在多种基准数据集上进行了全面的实验证明了该方法的有效性。

    Mar, 2022

  • 无数据增强的图形对比学习不变 - 有别的表示

    使用不需要数据增强的图对比学习方法 iGCL 进行表征学习，其中设计了不变 - 可区分性损失（ID 损失）来学习不变和可区分的表征，并且实验结果表明 iGCL 在不同类型的数据集上优于其他基准模型，具有很好的泛化性和鲁棒性。

    Oct, 2022

  • AutoGCL: 可学习视角生成的自动图对比学习

    本文提出了一种名为 AutoGCL 的新型对比学习框架，该框架运用一组可学习的图视图生成器通过自动增强策略生成对比样本，提高了现有对比学习方法的构图灵活性和语义保留能力，同时实现了端到端的训练，经过大量实验证明相对于现有方法具有更好的性能和更加紧凑准确的对比样本。

    Sep, 2021

  • 推荐系统的图增强

    提出了一种名为 GraphAug 的原则性框架，该框架引入了一个强大的数据增强器，生成去噪的自监督信号，增强推荐系统的性能。该框架通过自适应地调整对比视图生成，自动地提炼信息丰富的自监督信息。通过对真实数据集的严格实验评估，得出 GraphAug 模型相对于现有基线方法的卓越性能。

    Mar, 2024

  • InfoMax-GAN: 基于信息最大化和对比学习的改进对抗图像生成

    本文提出了一种基于对比学习和互信息最大化的正式框架，可以同时减轻生成敌对网络（GAN）中两个根本问题：鉴别器的灾难性遗忘和生成器的模式坍塌，从而在图像合成中显着稳定 GAN 训练和提高 GAN 性能。

    Jul, 2020

  • ID-MixGCL: 图对比学习中的身份混淆

    通过同时调整图形和对比损失标签，我们提出了一种名为 ID-MixGCL 的模型来捕捉未标记的图形的细节表示，其改善了 Cora，IMDB-B 和 IMDB-M 数据集上图形和节点分类任务的表现。

    Apr, 2023

  • 无预设数据增强的图形对比学习：自定义视图

    本研究利用自监督学习的方法，在图形学习中，通过数据生成学习可学习的连续先验，并利用信息最小化和信息瓶颈原则对学习的先验进行规范化，用于构建双层优化框架，并在小规模和大规模图表上展示了比同类方法更好的学习效果。

    Jan, 2022