Jul, 2023

同质性驱动的稳健图对比学习中的卫生视角

PDF
TL;DR我们研究了无监督图对比学习（GCL）在结构攻击下的对抗性鲁棒性。通过全面的实证和理论分析，我们展示了现有攻击如何以及为何降低了 GCL 的性能。受到分析结果的启发，我们提出了一种鲁棒的 GCL 框架，该框架集成了基于同质性驱动的消毒视图，并可以与对比学习一起学习。然而，这也带来了一个关键挑战，即消毒目标的不可微性。为了解决这个挑战，我们提出了一系列技术以实现基于梯度的端到端鲁棒 GCL。此外，我们开发了一种完全无监督的超参数调整方法，与先前的方法不同，它不需要节点标签的知识。我们进行了大量实验证明了我们提出的 GCHS 模型（具有基于同质性驱动的消毒视图的图对比学习）在面向 GCL 的两种先进结构攻击上始终优于所有现有基准的生成节点嵌入质量以及两个重要下游任务的性能。
unsupervised graph contrastive learningadversarial robustnessstructural attackshomophily-driven sanitation viewgchs (graph contrastive learning with homophily-driven sanitation view)
发现论文，激发创造
  • HomoGCL: 重塑图形对比学习中的同质性

    本文提出了一个模型无关框架 HomoGCL，它利用同质现象来扩展正样本集，并结合现有的图形对比学习模型，能够显著提高图形对比学习方法的性能。

    Jun, 2023

  • 简洁且非对称的图形对比学习无需数据增强

    通过考虑相邻节点的非对称视图，本文提出了一种简单的算法 —— 用于图的非对称对比学习（GraphACL），它不依赖图扩充和同质性假设，在同质性和异质性图上具有优于最新的图对比学习和自监督学习方法的性能。

    Oct, 2023

  • 基于邻域排序的图像软对比学习

    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

  • 图形对比学习方法的对抗鲁棒性

    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

  • 相似性保持的对抗图对比学习

    本文提出了一种相似性保持的对抗性图对比学习框架 (SP-AGCL)，以对抗攻击进行鲁棒性研究，对比干净的图与两个性质不同的辅助视图 (即节点相似性保持视图和对抗视图)，并通过实验证实了 SP-AGCL 在多个下游任务中的竞争性能和在多种场景下的有效性。

    Jun, 2023

  • 分层拓扑同构专业嵌入的图形对比学习

    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

  • 社区不变的图形对比学习

    图社群在图增强中的关键性优势以及基于图谱变化最大化的社群不变图对拓扑和特征增强的统一约束，提高模型的鲁棒性。

    May, 2024

  • CSGCL: 社区强度增强的图对比学习

    为了解决 GCL 方法中的 community semantics 问题，我们提出了一种称为 CSGCL 的 algorithmic framework，并使用两种新的图扩充方法和动态的 'Team-up' 对比学习策略，传播 community strength，实现了对图表示的有效性和通用性的验证。

    May, 2023

  • 可证实的鲁棒图对比学习

    在本文中，我们开发了第一个能够确定性地提高图对比学习（Graph Contrastive Learning，GCL）鲁棒性的框架。我们提出了一个统一的评估和认证 GCL 鲁棒性的标准，并引入了一种新的技术 RES（Randomized Edgedrop Smoothing）来确保任何 GCL 模型的鲁棒性，并能够在下游任务中被可靠地保持。此外，我们还提出了一种有效的培训方法来提高 GCL 的鲁棒性。在真实世界的数据集上进行的大量实验证明了我们提出的方法在提供有效的可证鲁棒性和提高任何 GCL 模型的鲁棒性方面的有效性。RES 的源代码可在此 https URL 获得。

    Oct, 2023

  • 基于同质性增强的图聚类结构学习

    提出了一种基于同质性增强的结构学习方法（HoLe），通过两个聚类导向的结构学习模块对图结构进行了优化，并通过交替训练同质性增强的结构学习和基于 GNN 的聚类来实现它们的相互作用，在多个基准数据集上证明了其优越性。

    Aug, 2023