Aug, 2023

非局部图的多分辨结构视图对比学习

PDF
TL;DR学习异质图的节点级表示对于欺诈者检测和蛋白质功能预测等各种应用至关重要。为了解决传统节点表示无法捕捉高阶图结构的问题，我们提出了一种新颖的多视图对比学习方法，通过在图上集成扩散滤波器，捕捉异质图中的结构等价性，发现传统节点表示中隐含的关系和相似性。我们的方法在合成和真实结构数据集上优于基准方法，在 Cornell 上比最佳基准方法提高了 16.06%，在 Texas 上提高了 3.27%，在 Wisconsin 上提高了 8.04%。此外，我们的方法在近邻任务上始终表现出卓越的性能，证明了其在揭示结构信息和改进下游应用方面的有效性。
node-level representationsheterophilic graphscontrastive methodsmultiview contrastive learningstructural equivalence
发现论文，激发创造
  • 基于对比的多视图图形表示学习

    文章介绍了通过对比不同结构视图的图表达学习来实现自监督学习，相对于多视图或多尺度编码，通过对比一阶邻居和图扩散编码能够获得最佳表现。该方法在 8 个节点和图分类基准测试中取得了新的最佳结果，在 Cora（节点）和 Reddit-Binary（图）分类基准测试中，取得了 86.8％和 84.5％的准确性，在 4 个基准测试中优于有监督的基线。

    Jun, 2020

  • 深度图对比表示学习

    本文提出了一种基于对比方法的无监督图表示学习框架，利用对节点进行的对比目标学习节点表示，包括结构和属性层面的图视图生成，实验证明本方法在各种真实世界数据集上的表现均优于现有最新技术方法，特别是在跨学科学习任务中，甚至超过监督方法，具有广泛的应用潜力。

    Jun, 2020

  • 多尺度子图对比学习

    通过对子图取样，在不同尺度上生成全局和局部视图，并根据它们的语义关联构建多种对比关系，以提供更丰富的自监督信号，从而实现对细粒度语义信息的表征。在八个图分类现实世界数据集上进行的大量实验和参数分析充分证明了该方法的有效性。

    Mar, 2024

  • HCL：基于分层对比学习的图像表示改进

    在图表征学习中，提出了一种新的分层对比学习 (Hierarchical Contrastive Learning, 简称 HCL) 框架，采用自适应的 L2Pool 方法进行更合理的多尺度图形拓扑构建，并采用多通道伪孪生网络来进一步扩展各级别内的互信息学习，以获得更丰富和更具层次感的表示。通过实验，HCL 在节点分类、节点聚类和图分类等 12 个数据集上均取得了具有竞争力的性能表现，并且通过可视化显示，HCL 成功捕捉到了图的有意义特征。

    Oct, 2022

  • 分层对比学习增强异质图神经网络

    本文研究如何利用对比学习增强异构图神经网络的自我监督学习，提出了一种名为 HeCo 的新型协同对比学习机制，该机制使用交叉视图对比学习方法，学习节点嵌入以捕捉局部和高阶结构，并提出两种方法来生成更难的负样本以提高性能。最终获得包含不变因素和视图特定因素的高级节点嵌入。

    Apr, 2023

  • MUSE: 异质图的多视图对比学习

    我们提出了一种用于异质图的多视角对比学习模型 MUSE，通过使用增强的 GNNs 构建两个视图来捕获离心节点及其邻域的信息，并融合这两个视图的信息进行节点表示，通过融合对比增强效果，使用信息融合控制器建模本地和全局节点 - 邻域相似度的多样性，通过交替训练方案确保无监督节点表示学习和信息融合控制器相互增强，在 9 个基准数据集上实验证明了 MUSE 在节点分类和聚类任务上的有效性。

    Jul, 2023

  • 基于多个节点中心子图的对比表示学习

    用图对比学习的框架，我们提出了一种多节点中心子图对比表示学习方法，以自我监督的方式学习图中节点的表示，通过对中心节点的一系列节点中心区域子图进行精心设计，通过对同一节点的不同子图之间的互信息进行对比损失的最大化来实现。对各种真实世界数据集和不同下游任务的实验证明，我们的模型取得了最先进的结果。

    Aug, 2023

  • 联合图语义和结构学习

    联邦图学习通过分布式图训练共同学习一个全局图神经网络，在非独立同分布的分布式图中面临着重要的挑战。本文首次揭示了局部客户端扭曲现象的原因，包括节点级语义和图级结构。根据节点级语义，对比不同类别的节点有助于提供良好的区分能力。根据图级结构，邻节点具有相似性。我们通过将邻接关系转化为相似度分布，并利用全局模型将关系知识传递给局部模型，以保留局部模型的结构信息和可区分性。实证结果表明，该方法在三个图数据集上优于其他方法。

    Jun, 2024

  • 一致图的多视图图学习

    基于共识正则化的多视图图形学习方法，通过学习共识图表征视图的共同结构，优于现有方法，并应用于推断多个受试者的功能性脑连接网络。

    Jan, 2024

  • 无监督图对比学习中的结构和语义全局知识获取

    本文提出了一种基于结构和语义对比学习算法框架的简单神经网络 - S^3-CL，用于在无监督情况下学习表达具有全局结构和语义的节点特征，通过实验表明与现有的基于 GNN 的无监督 GCL 方法相比，S^3-CL 在不同的下游任务上可以获得优异的表现。

    Feb, 2022