相似性保持的对抗图对比学习
本文提出了一种基于对抗性图增强策略的自监督学习框架 adversarial-GCL,解决了传统图对比学习方法捕获冗余图特征的问题,实验证明该方法在无监督、迁移和半监督学习任务中均可达到较好的性能。
Jun, 2021
通过对图结构的适应性敌对攻击评估节点和图分类任务,本研究介绍了一个全面的 GCL 模型鲁棒性评估协议,旨在探索 GCL 方法的鲁棒性,并为潜在的未来研究方向开辟新途径。
Nov, 2023
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
提出了一种创新的框架:对抗课程图对比学习(ACGCL),利用成对增强技术生成可控相似性的图级正负样本,并通过子图对比学习鉴别其中的有效图模式。ACGCL 框架内还设计了一种新颖的对抗课程训练方法,通过逐渐增加样本难度来促进渐进学习。最后,通过对六个知名基准数据集进行全面评估,ACGCL 显著超过一组最先进的基准。
Feb, 2024
本文提出了一种名为 Graph Contrastive Learning(GraphCL)的一般框架,以自我监督的方式学习节点表示,通过最大化同一节点的本地子图的内在特征和连接结构的两个随机扰动版本的表示之间的相似性来学习节点嵌入,并使用对比学习损失来最大化它们之间的一致性,证明我们的方法在节点分类基准测试中显着优于无监督学习的现有技术。
Jul, 2020
本文提出了一种新的图对比学习范式 LightGCL,基于奇异值分解对图的对比增强进行单一约束结构的调整,在推荐系统领域具有显著的性能优势和鲁棒性。
Feb, 2023
本文介绍了一种平滑图对比学习模型(SGCL),它利用了扩充图的几何结构来在对比损失中注入与正负节点对相关的接近信息,从而显著规范化学习过程,并通过针对负样本的三种不同平滑技术调整对比损失中节点对的惩罚,以提高在大规模图上的可扩展性,通过在各种基准测试中的大量实验证明了该框架相对于最近的基准方法的优越性。
Feb, 2024
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。
Oct, 2020
本文提出了一种新的图形无监督学习方法,名为 Graph Soft-Contrastive Learning (GSCL),它能够通过邻域排序进行自我监督学习,而无需依赖于二元对比设置,并且还提出了 GSCL 所需的成对和列表式门控排名 infoNCE 损失函数,以保留邻域中的相对排序关系。
Sep, 2022