Dec, 2023

图表示学习中的社区偏倚放大理解

PDF
TL;DR我们在图表示学习中发现了一种社区偏见放大现象，它指的是图表示学习在不同类别之间加剧了性能偏见。我们从新颖的光谱角度对该现象进行了深入的理论研究，发现社区之间的结构偏见导致了节点嵌入的局部收敛速度不同，这一现象导致了下游任务分类结果的偏见放大。基于理论洞察，我们提出了随机图粗化来有效解决上述问题。最后，我们提出了一种名为随机图粗化对比学习（RGCCL）的新颖图对比学习模型，它利用随机粗化作为数据增强，并通过将粗化的图与原始图进行对比来减轻社区偏见。我们在各种数据集上进行了大量实验证明了我们的方法在处理社区偏见放大时的优势。
发现论文，激发创造
  • 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

  • CSGCL: 社区强度增强的图对比学习

    为了解决 GCL 方法中的 community semantics 问题，我们提出了一种称为 CSGCL 的 algorithmic framework，并使用两种新的图扩充方法和动态的 'Team-up' 对比学习策略，传播 community strength，实现了对图表示的有效性和通用性的验证。

    May, 2023

  • 抗混淆影响的稳健因果图表示学习

    本文提出一种强化图表示学习模型鲁棒性的方法 - Robust Causal Graph Representation Learning（RCGRL），通过生成工具变量来消除图中干扰因素和混淆变量，同时保证了理论上的有效性，并在多个基准数据集上进行了实验，证明了该模型的预测性能和泛化能力均优于现有方法。

    Aug, 2022

  • 图神经网络在推荐系统中的偏见放大比较分析

    本研究通过文献综述和行为分析，对比了基于 GNN 的不同算法和现有方法的偏见影响，并旨在探索最小化模型性能影响的适当解决方案。

    Jan, 2023

  • 自适应增强的图形对比学习

    本文提出了一种新的自适应增强方法，通过设计基于节点中心性和节点属性的增强策略来保留图的内在结构和属性信息，并验证此方法在节点分类任务中优于现有方法和监督学习模型。

    Oct, 2020

  • 图形对比学习的光谱增强

    本文中提出了一种基于对称拉普拉斯特征值的图形裁剪增强方法和通过全局随机游走的局部子图对齐来改进图对比学习方法，并在不同类型的图表现中体现出更好的性能。

    Feb, 2023

  • 社区感知的高效图对比学习：基于个性化自训练

    我们提出了一种新颖的社区感知高效图对比学习框架（CEGCL），通过个性化自我训练和对齐的图聚类技术，实现了社区检测任务中的无监督学习和结构相关性任务的高性能。

    Nov, 2023

  • 图形对比聚类

    本研究提出一种新的基于图的对比学习框架 ——Graph Contrastive Clustering（GCC），用于聚类任务，并利用该框架在六个常用数据集上进行了实验。实验结果表明，该方法在聚类问题上明显优于现有的最先进方法。

    Apr, 2021

  • 图上自监督学习的谱增强

    本研究提出了一种基于光谱扩增的拓扑扩充方法，可以指导 GCL 捕获特征的不变性，实现了自监督表征学习，并带来了更好的泛化能力和抵御对抗性攻击的鲁棒性。

    Oct, 2022

  • 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