Oct, 2023

简洁且非对称的图形对比学习无需数据增强

PDF
TL;DR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。
graph contrastive learninggraph-structured datahomophilic and heterophilic graphsasymmetric contrastive learning for graphsself-supervised learning methods
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

  • 同质性驱动的稳健图对比学习中的卫生视角

    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。

    Jul, 2023

  • 图形对比学习的实证研究

    本文提出了一种利用 Graph Contrastive Learning 无人工标注学习图形表示的新范式，并通过对一系列基准任务和各种领域的数据集进行广泛、可控的实验，研究不同的 GCL 组件之间的相互作用，得出了一套有效 GCL 的一般特性与实现技巧。

    Sep, 2021

  • 超越同质性：重构图形结构进行对图形不可知聚类

    本文提出了一种新的图聚类方法，包括三个关键组成部分：图重构、混合滤波器和双图聚类网络。实验结果表明，在 11 个基准图上，该方法在异质图上的表现优于其他方法。

    May, 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

  • 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

  • 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

  • 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

  • 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

  • 架构的重要性：揭示图对比学习中的隐式机制

    通过对图对比学习方法进行系统研究，我们发现了图对比学习方法中与视觉对比学习方法不同的一些共同现象，包括正样本对于图分类和采用特定归一化模块进行节点分类时并不是必需的，而且数据增强对于图对比学习的影响较小。通过揭示图神经网络的内在归纳偏差是如何在对比学习中起作用的，我们从理论上对图对比学习的上述有趣特性提供了深入的洞察。因此，在设计图对比学习方法时，倡导更多关注图学习的独特架构及其隐含的影响。

    Nov, 2023