Aug, 2023

基于多个节点中心子图的对比表示学习

PDF
TL;DR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。
graph representation learningnode-centered subgraphsgraph contrastive learningself-supervised learningstate-of-the-art results
发现论文，激发创造
  • 可扩展自监督图表征学习的子图对比

    提出了一种基于自监督的子图对比 (Subg-Con) 的图表示学习方法，有效捕捉了大规模图数据中的区域结构信息，在弱监督、模型可伸缩性和并行性等方面具有显著的性能优势。

    Sep, 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

  • 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

  • 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

  • 通过相互信息最大化聚合子图学习图表示

    本文提出了一种自监督学习方法，使用子图增强图级表示，设计了三种信息聚合器：attribute-conv，layer-conv 和 subgraph-conv 以从不同方面收集信息，并提出了头尾对比构建以提供丰富的负样本。在多个基准测试中，结果显示出了新的无监督状态下的最先进的结果，并在半监督学习任务上对其进行了公平比较。

    Mar, 2021

  • 基于对比学习的节点表征简化框架

    本文研究如何将对比学习与图神经网络相结合，通过简单的列处理嵌入矩阵来提高节点嵌入的质量，从而在分类任务中取得高达 1.5％的改进和超越 8 项基准测试中的现有最先进方法。

    May, 2023

  • GraphCL: 对图形表示的对比自监督学习

    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

  • 自监督图表示学习的生成子图对比

    本研究提出了一种基于自适应子图生成对比学习框架，可以通过捕捉图的内在结构来生成对比样本，并同时根据子图的特征和结构来区分样本，以最优运输距离作为子图之间的相似度度量。通过在基准数据集上进行广泛的节点分类实验，验证了该图对比学习方法的有效性。

    Jul, 2022

  • 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

  • 多尺度对比孪生网络用于自监督图表示学习

    本文提出了一种用于学习节点表征的自监督方法，通过改进 Siamese 自蒸馏方法和多尺度对比度学习，构建局部和全局两种视图，并采用交叉网络和交换视角两个目标，最大化不同视图和网络的节点表征之间的一致性，该方法在五个真实数据集上实验，不仅取得了新的最优结果，而且优于一些半监督方法。

    May, 2021