KDDJun, 2024

重新审视图聚类的模块化最大化：对比学习的视角

PDF
TL;DR本研究探讨了模块性最大化方法在图聚类中的潜在成功，将模块性最大化与图对比学习联系起来，提出了一种基于社区感知的图聚类框架 MAGI，通过利用模块性最大化作为对比预训练任务来有效地揭示图中社区的潜在信息，同时避免了语义漂移问题。广泛实验证实了 MAGI 在多个图数据集上的可扩展性和聚类性能，表现优于现有的图聚类方法，并且在大规模图上具有优越的性能。
graph clusteringgraph contrastive learningmodularity maximizationcommunity detectionmagi
发现论文，激发创造
  • DGCLUSTER：一种基于模块化最大化的属性图聚类的神经框架

    通过使用图神经网络优化模块性目标的 DGCluster 方法，我们在多个领域中进行图聚类，取得了显著的性能提升。

    Dec, 2023

  • MoCL: 基于知识感知对比学习的分子图数据驱动的分子指纹

    本文研究了图对比学习在生物医药领域中的应用，提出了一种利用本地和全局领域知识来辅助表示学习的框架 MoCL。使用双重对比目标学习整个模型。在不同的分子数据集上进行了评估，结果表明 MoCL 达到了最先进的性能水平。

    Jun, 2021

  • 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

  • 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

  • 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

  • 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

  • 架构的重要性：揭示图对比学习中的隐式机制

    通过对图对比学习方法进行系统研究，我们发现了图对比学习方法中与视觉对比学习方法不同的一些共同现象，包括正样本对于图分类和采用特定归一化模块进行节点分类时并不是必需的，而且数据增强对于图对比学习的影响较小。通过揭示图神经网络的内在归纳偏差是如何在对比学习中起作用的，我们从理论上对图对比学习的上述有趣特性提供了深入的洞察。因此，在设计图对比学习方法时，倡导更多关注图学习的独特架构及其隐含的影响。

    Nov, 2023

  • 重温图对比学习在异常检测中的应用

    本文提出了基于对比学习的图神经网络异常检测方法 MAG，强调了多 GNN 模块与图扩展模块在提高检测性能中的作用，并通过两个变种 L-MAG 和 M-MAG 在 Cora 和 Pubmed 数据集上证明了其有效性。

    May, 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