对抗鲁棒性有符号图对比学习来自平衡增强
本文提出了一种新颖的有向图对比学习方法,称为磁拉普拉斯扰动有向图对比学习 (SDGCL),通过磁拉普拉斯扰动获取两个结构差异的图像并使用节点级对比损失来最大化两个图像之间的互信息,该模型在四个真实数据集上的表现优于其他最新模型。
Jan, 2023
本研究通过使用数据增强技术解决了当前基于 SGNN 的有向图表示学习所面临的稀疏性、不平衡三角形和缺乏附加信息的挑战,并引入了一种新颖的有向图增强框架(SGA),通过 SGNN 模型编码有向图、提取潜在结构信息并评估候选样本,最终改善了多个性能指标。
Oct, 2023
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
我们提出了一种基于课程的训练方法,通过引入轻量级机制和创造签名图课程表示学习框架,优化了 SGNN 模型呈现样本的顺序,并在六个真实数据集上进行了实证验证,结果表明在链接符号预测(AUC)中,模型的准确性提高了 23.7%,标准差降低了 8.4。
Oct, 2023
本文提出了一种基于平衡理论的有向图卷积神经网络模型,用于在带有正负连接的有向图中进行节点表示学习,并证明其在 link sign prediction 等问题上的有效性。
Aug, 2018
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
通过使用边缘符号的可信性修正图卷积网络(GCN)中的错误嵌入传播,提出了一种名为 TrustSGCN 的新型基于 GCN 的签名网络嵌入方法,该方法利用了平衡理论推断出的高阶关系的边缘符号的可信性。实验证明 TrustSGCN 在四个真实世界的签名网络数据集上始终优于其他五种基于 GCN 的签名网络嵌入方法。
Sep, 2023
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