本文提出了一种自我监督方法并设计了三个前置任务来指导自动边界分离,同时将其与下游节点分类任务一起训练,以促进通道的捕获可区分关系和邻域相互作用,并且输出它们作为节点表示。实验结果表明 DisGNN 在六个真实世界数据集上取得了显着的性能提升,为边缘分离和图学习提供了一种新的解决方案。
Feb, 2022
本研究提出了一种新的解缠结生成模型的增强型框架,采用新的变分目标来解缠所有类型的潜在因子,并通过新的节点和边解缠架构进一步增强单因子的解缠度。定量定性实验表明,该模型扩展性强,能够高效地解决解缠在图像生成中的问题。
Jun, 2020
本文从对比学习的角度提出了一种新的对抗生成网络(CD-GAN)来解决因潜变量的后验推断和缺乏样本似然性而难以实现的生成模型因果解释的问题,它通过对比图像特征来实现对数据中不同类之间可辨别属性的提取,并通过仅有的有限监督来提高模型的性能。实验结果表明了该模型在多个数据集上对数据进行高效的可解释性特征提取。
Mar, 2021
本文研究如何将对比学习与图神经网络相结合,通过简单的列处理嵌入矩阵来提高节点嵌入的质量,从而在分类任务中取得高达 1.5%的改进和超越 8 项基准测试中的现有最先进方法。
May, 2023
本篇研究提出了一种基于图神经网络和图对比学习的协作过滤框架,通过自我监督学习进行自适应增强,实现目的的解耦和噪声抑制,将学习到的解耦表示与全局上下文结合,相比于现有的解决方案,具有更好的性能表现。
通过对多种对比方法的理论分析,本论文扩展了有关数据表达的对比学习的理论保证,并验证了这些发现在多个基准数据集上的实际有效性。
Nov, 2023
本文研究了图神经网络的偏差问题及其对泛化性能的影响,并提出了一种能够将因果关系和偏差变量进行分离的图神经网络框架,其中利用参数化边缘生成器将输入图形分为因果图和偏差子图并分别训练两个 GNN 模块,实现了对原模型的改进并取得了超越基线模型的泛化效果。
Sep, 2022
本文提出了一种基于图学习的新型短语图片对齐的框架,通过设计分离的图网络来区分场景图中的不同元素,添加干预策略并采用跨模态注意力网络来提高性能,实验结果表明模型在 Flickr30KEntities 和 ReferIt Game 基准数据集上达到了最先进的性能水平。
Apr, 2021
本研究提出了两种基于对比自监督学习(CSSL)的方法来缓解过拟合的问题,具体地,我们使用 CSSL 对图形编码器进行预训练,并在标记后的图形上调整预先训练的编码器。我们还开发了一个基于 CSSL 的正则化器,同时解决监督分类任务和无监督 CSSL 任务。通过数据增强的方式,定义了对比损失来学习图形编码器。实验结果表明,我们提出的方法在各种图形分类数据集上都非常有效。
Sep, 2020
本篇研究研究了在说名高成本的标注或标签问题下,如何使用监督图形对比学习,数据增强,子图编码和多尺度对比等机制,实现图形节点分类任务的有效编码器。实验表明,相比基于元学习的方法,这个新的框架可以显著提高少样本节点分类问题的性能。
Mar, 2022