Sep, 2023

基于对比学习和极小极大熵的图上半监督领域适应

PDF
TL;DR通过对比图的局部和全局视图所学习的表示，SemiGCL 生成信息丰富的节点表示，并通过对未标记目标节点的熵损失进行对抗优化，以减少领域差异，特别适用于图上的 SDDA 任务。
label scarcitysemi-supervised domain adaptationgraphnode classificationsemigcl
发现论文，激发创造
  • 图传输学习中的半监督领域自适应

    半监督图领域自适应（SGDA）是一种用于解决具有拓扑结构和属性的跨域图之间知识迁移问题的方法，它通过添加自适应的偏移参数和伪标签，以处理来自标注丰富源图到未标注目标图的领域转移和标签稀缺的挑战。

    Sep, 2023

  • 通过极小化最大熵进行半监督域自适应

    提出了一种基于 Minimax Entropy 的半监督域自适应方法，在有限的标记信息下，与其他基线方法相比，提高了无标记目标数据分类的准确性。

    Apr, 2019

  • 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

  • 自适应介数聚类用于半监督域适应

    提出了一种名为 G-ABC 的新型 SSDA 方法，该方法通过使用源域和目标域的标记数据对未标记的目标数据进行语义传递，实现了跨域语义对齐，从而实现了分类域对齐。在三个标准基准数据集上进行了广泛的实验，结果表明该方法优于先前最先进的 SSDA 方法，证明了该 G-ABC 算法的优越性。

    Jan, 2024

  • 重新思考和扩大图形对比学习：一种具有群体歧视能力的极其高效的方法

    提出了一种新的基于 Group Discrimination 的方法 Graph Group Discrimination (GGD)，以简单的二元交叉熵损失代替相似性计算直接区分两组节点样本，相比于 GCL 方法，GGD 具有更高的计算效率和更少的训练轮数，并在八个数据集上表现优于现有的自监督方法。

    Jun, 2022

  • 走向图对比学习：调查和进展

    在图数据上的深度学习、自监督学习、图对比学习和以数据为基础的图学习的实际应用是这篇综述的主要内容。

    May, 2024

  • 重新思考对半监督节点分类带来的对比学习推进

    本文提出了一种基于拓扑信息增益感知的图对比学习框架 (TIFA-GCL)，该框架考虑了图中注释信息分布的不均匀性，可以在半监督节点分类任务中带来比现有图对比学习方法更大的改进。

    Dec, 2020

  • CLDA：对比学习用于半监督领域自适应

    本文提出了一种简单的对比学习框架，用于半监督域自适应，以构建域不变的预测模型，在三个领域适应基准数据集上取得最先进的性能表现。

    Jun, 2021

  • 半监督域自适应的多层一致性学习

    本文提出了一种基于多级一致性学习的半监督域自适应框架，其中包括使用基于原型的最优传输方法稳健准确地对齐源域和目标域，使用新颖的类内对比聚类损失促进目标特征表示的学习，遵循标准实践并通过自我训练改进预测准确性等多种优化机制。实验证明，该框架在三个受欢迎的半监督域自适应基准测试中均取得了最新的性能表现。

    May, 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