图形对比学习与生成对抗网络

KDDAug, 2023

Graph Contrastive Learning with Generative Adversarial Network

Cheng Wu, Chaokun Wang, Jingcao Xu, Ziyang Liu, Kai Zheng...

TL;DR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。

Abstract

graph neural networks (GNNs) have demonstrated promising results on exploiting node representations for many downstream tasks through supervised end-to-end training. To deal with the widespread label scarcity issue in real-world applications, →

graph neural networks graph contrastive learning graph generative adversarial networks gacn graph representation learning

发现论文，激发创造

通过敌对性图增强改进图对比学习

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

AutoGCL: 可学习视角生成的自动图对比学习

本文提出了一种名为 AutoGCL 的新型对比学习框架，该框架运用一组可学习的图视图生成器通过自动增强策略生成对比样本，提高了现有对比学习方法的构图灵活性和语义保留能力，同时实现了端到端的训练，经过大量实验证明相对于现有方法具有更好的性能和更加紧凑准确的对比样本。

Sep, 2021

基于子图网络的对比学习

本文提出了一种名为基于子图网络的对比学习的新框架，用于挖掘子结构与图表征之间的相互作用，可提高图像的非监督和迁移学习性能。

Jun, 2023

图形对比学习与数据增强

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

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

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

LightGCL: 简单而有效的图形对比学习用于推荐

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

深度对比图学习与聚类导向引导

基于图卷积网络，提出了深度对比图学习模型（DCGL），用于一般数据聚类。该模型通过建立伪孪生网络，将自编码器与图卷积网络相结合，强调图结构和原始特征，并引入特征级对比学习来增强判别能力，利用样本与质心之间的关系作为聚类导向指引。然后，设计了双分支图学习机制来提取局部和全局结构关系，并在聚类级别对比指导下将其嵌入到统一的图中。在几个基准数据集上的实验结果表明，DCGL 相对于现有算法具有优越性。

Feb, 2024

基于局部结构的图形对比表示学习

我们提出了一种局部结构感知的图对比学习方法 (LS-GCL)，用于从多个视角建模节点的结构信息，并且通过多层对比损失函数来优化模型，实验结果表明我们的方法在节点分类和链接预测任务上均优于最先进的图表示学习方法。

Aug, 2023

对抗式课程图对比学习与配对数据增强

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