KDDJul, 2023

ENGAGE: 解释引导的图表示学习数据增强

PDF
TL;DR本文提出了 ENGAGE (ExplaNation Guided data AuGmEntation) 方法，其中使用了平滑激活映射作为非监督解释方法，指示节点在表示学习中的重要性，以指导对比增强过程来保留图中的关键部分并探索去除多余信息。实验结果表明 ENGAGE 显著提高了表示学习性能。
发现论文，激发创造
  • 自适应增强的图形对比学习

    本文提出了一种新的自适应增强方法，通过设计基于节点中心性和节点属性的增强策略来保留图的内在结构和属性信息，并验证此方法在节点分类任务中优于现有方法和监督学习模型。

    Oct, 2020

  • 图嵌入的主动学习

    本论文提出了一个称为主动图嵌入（AGE）的框架，用于选择最具信息量的节点作为训练有标签节点，以提高半监督图嵌入算法的性能，并结合具有时间敏感性的参数。实验结果表明我们所提出的查询策略的每个组成部分的有效性以及使用时间敏感性参数进行组合的强大性。

    May, 2017

  • 在保留解释的图扰动下的 PAC 可学习性

    图形模型及图神经网络中的解释辅助学习和数据增强的研究，探讨了解释辅助学习规则和数据增强方法，以及它们在训练中的优势和限制。

    Feb, 2024

  • 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

  • 基于控制的数据增强对比学习中的图嵌入

    通过利用动态网络的控制特性对无监督图表示学习问题进行研究，我们提出了一种基于对比学习的新框架。我们通过利用网络的控制特性生成扩展图，保留了原始图的结构特征，提高了分类任务准确性。这种创新方法的关键在于利用控制特性解码网络结构，为无监督图表示学习开辟了新的方向。

    Mar, 2024

  • 扩展解释：无监督且内在可解释的图嵌入

    我们研究了图表示学习，并展示了可以学习和使用保留语义的数据增强来产生解释性，名为 INGENIOUS 的框架，它创造出固有的可解释性嵌入并消除了昂贵的事后分析所需。我们还引入了额外的度量衡解决了无监督表示学习解释性这一研究领域中缺乏形式化和度量的问题。实验结果支持了我们的结果，应用于图级别和节点级别任务，展示了可解释性嵌入在随后的下游任务上提供了最先进的性能。

    Sep, 2023

  • 自适应增强对比的时态图表示学习

    提出了一种新颖的 Temporal Graph representation learning with Adaptive augmentation Contrastive (TGAC) 模型，该模型通过将先验知识与时间信息相结合，对时态图进行自适应增强，并通过定义增强之间的相互视角对比和内部视角对比来构建对比目标函数，以减少网络中的噪声。广泛的实验证明，该模型优于其他时态图表示学习方法。

    Nov, 2023

  • 可靠增強的對比圖聚類

    通过学习能力强的数据增强方法进行对比图节点聚类是非监督图学习领域的热点研究，现有方法虽然已取得良好的聚类性能，但容易出现语义漂移问题，为此我们提出了一种可靠数据增强的 CONVERT 对比图聚类网络，通过可逆干扰恢复网络提取可靠的语义信息并使用新颖的语义损失约束网络，同时设计了标签匹配机制进行模型指导，实验证明了该方法的有效性。

    Aug, 2023

  • 基于元学习的信息图增强引导方法

    本文提出通过可学习的图形增强器 MEGA 来生成具有均匀性和信息性的图形增强，有效提高了自我监督学习任务中图形对比学习方法的特征表示能力，并通过多个基准数据集的实验证明了其优越性。

    Jan, 2022

  • 通过图消息增强统一图对比学习

    本研究通过引入图消息表示图数据，并提出了一种新颖的图消息增强（GMA）方法，为图的自监督学习任务提供了通用且更有效的图数据增强方案。通过引入 GMCL 方法，采用指导属性的通用 GMA 进行图对比学习，实验证明了所提出的 GMA 和 GMCL 方法的有效性和优势。

    Jan, 2024