CoCo: 无监督领域自适应图分类的耦合对比框架
通过双重对抗学习的方法,本文提出了 Dual Adversarial Graph Representation Learning(DAGRL)来探索图拓扑结构,并且减少域间差异,实验证明了该方法的有效性。
Dec, 2023
使用对抗式对比学习提出了一种用于多个图领域的预训练模型,通过在拓扑结构上训练模型,并在评估时包含节点标签,我们展示了该模型在各种下游任务中与基准模型、未经训练的模型和非转移模型相比,性能相等或更好,包括在评估时使用节点标签,性能始终优于单个领域或非预训练模型。
Nov, 2023
本文研究跨网络节点分类问题,提出一种基于对抗领域自适应和图卷积的图传输学习框架 AdaGCN 以在标签数据不足的情况下,从部分标记的源网络中利用标记信息辅助完全未标记或只有部分标记的目标网络节点分类,并在真实数据集上进行了大量实验评估,并验证了 AdaGCN 在标签率低和源目标领域差异显著的情况下都能成功传输类信息。
Sep, 2019
图对比学习在图神经网络的强大优势下充分利用丰富的无标签信息来学习图的特征表示,然而现有的方法忽视了高阶图子结构的重要潜在信息,本研究通过引入拓扑不变性和扩展持久性的概念来解决这个限制,提出了一种新的对比学习模式并引入了扩展持久性景观,实验结果表明 TopoGCL 模型在无监督图分类中取得了显著的性能提升。
Jun, 2024
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
本文研究了图对比学习在生物医药领域中的应用,提出了一种利用本地和全局领域知识来辅助表示学习的框架 MoCL。使用双重对比目标学习整个模型。在不同的分子数据集上进行了评估,结果表明 MoCL 达到了最先进的性能水平。
Jun, 2021
通过引入知识蒸馏,我们提出了一种新颖的层次化拓扑同构专家嵌入图对比学习方法,用于增强 GCL 模型学习层次化拓扑同构专业知识,包括图层和子图层。与传统的 GCL 方法相比,我们的方法在贝叶斯分类错误上获得更紧的上界,并在真实世界基准测试中表现出了超越候选 GCL 方法的性能优势。
Dec, 2023
本研究提出一种新的基于图的对比学习框架 ——Graph Contrastive Clustering(GCC),用于聚类任务,并利用该框架在六个常用数据集上进行了实验。实验结果表明,该方法在聚类问题上明显优于现有的最先进方法。
Apr, 2021
本文提出一种利用域图编码域相邻度的方法,将域统一 alignment 放松,以灵活的方式进行域对齐,并基于图结构推广现有的对抗学习框架,成功地将域信息自然地纳入域自适应方法,提高了现有域自适应方法在综合和真实数据集上的效果。
Feb, 2022