Feb, 2024

克服图对比学习评估中的陷阱：朝着综合基准的方向

PDF
TL;DR我们的研究全面审视了自我监督学习方法的缺点，并提供了关于超参数选择和下游任务评估对图对比学习方法的影响的新观点。此外，我们引入了一个改进的评估框架，旨在更准确地评估图对比学习方法的有效性、一致性和整体能力。
self-supervised learninggraph contrastive learningevaluation standardshyper-parameter tuningdownstream tasks
发现论文，激发创造
  • 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

  • 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

  • 图形对比学习方法的对抗鲁棒性

    通过对图结构的适应性敌对攻击评估节点和图分类任务，本研究介绍了一个全面的 GCL 模型鲁棒性评估协议，旨在探索 GCL 方法的鲁棒性，并为潜在的未来研究方向开辟新途径。

    Nov, 2023

  • 基于信息论的通用图形对比学习

    本文提出了一个名为 GCL-GE 的指标来衡量图对比学习 GCL 的一般化能力，并通过信息理论的角度理论上证明了一个互信息的上界。基于这个证明，我们设计了一个名为 InfoAdv 的 GCL 框架，该框架具有增强的一般化能力，在预训练任务适配和下游任务的一般化能力之间取得了平衡，并在各种基准测试中取得了最先进的性能。

    Nov, 2022

  • FastGCL: 对比邻居聚合的图快速自监督学习

    本研究提出了一个简单而有效的方法，即 FastGCL，它针对图形神经网络的特征（如邻域聚合）构建加权聚合和非聚合邻域信息作为正负样本，通过识别数据的潜在语义信息来快速训练和收敛，从而在节点分类和图分类任务中具有竞争性的分类性能和显着的训练加速。

    May, 2022

  • 图形对比学习与数据增强

    本研究提出了一种图形比较学习 (GraphCL) 框架，通过图形增强等多种方式对图形数据进行无监督学习来学习表示。结果表明，即使不使用复杂的 GNN 架构，GraphCL 框架也可以生成类似或更好的通用性、可转移性和鲁棒性的图形表示。

    Oct, 2020

  • 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

  • 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

  • GraphCL: 对图形表示的对比自监督学习

    本文提出了一种名为 Graph Contrastive Learning（GraphCL）的一般框架，以自我监督的方式学习节点表示，通过最大化同一节点的本地子图的内在特征和连接结构的两个随机扰动版本的表示之间的相似性来学习节点嵌入，并使用对比学习损失来最大化它们之间的一致性，证明我们的方法在节点分类基准测试中显着优于无监督学习的现有技术。

    Jul, 2020

  • 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