ICMLMay, 2024

社区不变的图形对比学习

PDF
TL;DR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。
graph augmentationgraph contrastive learninggraph communityknowledge-based graph augmentationspectral changes
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 因果视角下的图形对比不变性学习

    本文从因果关系的角度研究了图对比学习（Graph Contrastive Learning），发现传统的图对比学习由于含有非因果信息而不能很好地学习不变表示。为了解决这个问题并促使当前的图对比学习方法学习更好的不变表示，我们提出了一种新的图对比学习方法，通过引入谱图增强来模拟对非因果因素的干预，并设计了不变性目标和独立性目标来更好地捕捉因果因素。实验结果表明我们的方法在节点分类任务上的有效性。

    Jan, 2024

  • 图形对比学习中的扩充：当前方法论缺陷和更好做法

    该论文介绍了使用对比学习（CL）进行无监督图表示学习的方法。作者通过探究使用域不可知图形扩充的高性能图像对比学习和 DAGAs 对图形对比学习的影响，提出了几个检查机制和设计任务感知扩充的策略，以提高模型的准确性。

    Nov, 2021

  • 通过敌对性图增强改进图对比学习

    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

  • 带有连通子图感知的图形对比学习

    提出了一种名为 CTAug 的新的统一框架，将图的同质子图概念整合进不同的图对比学习机制中，以提高图的表示学习性能。实验证明，CTAug 在图表示学习方面具有领先的性能，特别是对于度较高的图。

    Jan, 2024

  • LightGCL: 简单而有效的图形对比学习用于推荐

    本文提出了一种新的图对比学习范式 LightGCL，基于奇异值分解对图的对比增强进行单一约束结构的调整，在推荐系统领域具有显著的性能优势和鲁棒性。

    Feb, 2023