Jan, 2024

每个节点都不同：动态融合自监督任务用于属性图聚类

PDF
TL;DR本文提出了一种创新的图聚类方法，名为动态融合自监督学习（DyFSS），通过动态学习不同节点的自监督学习任务的权重，并融合不同自监督学习任务的特征来提高性能。通过在五个数据集上进行广泛实验，DyFSS 在准确性指标上超过了最先进的多任务自监督学习方法，最高可达 8.66％。
attributed graph clusteringself-supervised learningssl tasksgraph nodesdynamically fusing self-supervised learning
发现论文，激发创造
  • 图上自监督学习：深入解析和新方向

    本文旨在探究无监督自我监督学习在图神经网络中的应用，通过多个实验任务深入理解 SSL 在 GNNs 中的表现，研究了该方法何时、为什么以及哪些策略下的效果最佳，提出了新的 SelfTask 方向来创建先进的预训练任务，并在各种真实世界数据集上实现了最先进的性能。

    Jun, 2020

  • 图像自监督学习：综述

    本文综述了基于自监督学习技术在图数据中的应用，提出了一个统一的数学框架，并将这些方法根据预文本任务的目标分为四类，并描述了在各个研究领域中的应用及所采用的数据集，评估基准，性能比较和开源图形 SSL 代码。

    Feb, 2021

  • 自动化自监督图学习

    Graph self-supervised learning can be improved by leveraging multiple pretext tasks through the AutoSSL framework, which uses homophily as guidance and significantly boosts the performance on downstream tasks.

    Jun, 2021

  • 图上自监督学习：对比、生成或预测

    本文介绍了在图形数据上进行自监督学习的方法，并将其分为对比、生成和预测三种类型，同时对常用数据集、指标、算法进行了总结，并讨论了未来研究方向。

    May, 2021

  • DyG2Vec: 自监督下的动态图表征学习

    DyG2Vec 是一种适用于动态图的自监督学习方法，利用窗口机制生成任务不可知的节点嵌入来预测未来的交互，并在标准数据集上显著优于现有的状态 - of-the-art 方法，并且只需要部分训练 / 推理时间，适用于少量标签的场景。

    Oct, 2022

  • 多任务自监督图神经网络实现更强的任务泛化

    该研究介绍了一种名为 PARETOGNN 的自监督多任务学习框架，利用多个不同的哲学观点的预文本任务监督自我学习，从而在进行节点表示学习和其他后续任务时产生最佳绩效。

    Oct, 2022

  • 自监督学习的图神经网络：统一综述

    本论文介绍了自监督学习在图神经网络上的应用，将其方法分为对比模型和预测模型并提供统一的框架，在 SSL 方法和数据集上提供了概述和标准化的测试平台。

    Feb, 2021

  • 具备分歧感知的联邦自监督学习

    通过具体实验研究发现了联邦自监督学习的深入见解，并提出了一种新的方法用于解决分散数据的非独立同分布问题。该方法称为 FedEMA，它使用全局模型的 EMA 来自适应地更新客户端的本地模型，并采用动态度量模型发散的的衰减速率。实验结果表明，FedEMA 在线性评估上的性能比现有方法高 3-4％。

    Apr, 2022

  • 自监督特征适应的广义半监督学习

    通过提出自监督特征适应（SSFA）方法，解决了传统半监督学习在标记和未标记数据分布不一致时预测错误伪标签的问题，从而提高了半监督学习性能。

    May, 2024

  • HypeBoy: 超图上的生成式自我监督学习

    提出了一种针对超图的新型生成性自监督学习策略，通过超边填充的生成性自监督任务来学习复杂的超图拓扑，其中的方法 HypeBoy 在 11 个基准数据集上优于 16 种基线方法，学习了有效的通用超图表示。

    Mar, 2024