Jun, 2024

具有频谱增强的异构图对比学习

PDF
TL;DR本文介绍了一种光谱增强图对比学习模型（SHCL），首次在异构图神经网络中引入了一种光谱增强算法，通过异构图本身学习了一种自适应拓扑增强方案，扰乱了异构图的光谱维度的结构信息，从而最终提高了模型的学习效果。实验结果表明，该模型在多个真实数据集上具有显著优势。
heterogeneous graphsgraph representation learningspectral dimensiongraph neural networksadaptive topology augmentation
发现论文，激发创造
  • 图形对比学习的光谱增强

    本文中提出了一种基于对称拉普拉斯特征值的图形裁剪增强方法和通过全局随机游走的局部子图对齐来改进图对比学习方法，并在不同类型的图表现中体现出更好的性能。

    Feb, 2023

  • 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

  • 谨慎增强：通过选择性频谱扰动提升图对比学习

    我们提出了一种名为 GASSER 的方法，在图的频谱域中对特定频率的图结构进行有针对性的扰动，并且边缘扰动受频谱提示的指导。通过大量实验证明，这种扩增视图是适应性的、可控的，并且启发式地符合图结构的同质比和频谱。

    Oct, 2023

  • 图对比学习及其它领域的频谱特征增强

    本文介绍了一种用于对图和图片进行对比学习的新颖的光谱特征增强方法，通过不完全的幂迭代，可以部分平衡特征图的频谱，注入噪声，从而实现光谱增强，提高了泛化能力，是一种与其他增强策略互补且兼容各种对比损失的方法。

    Dec, 2022

  • 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

  • HCL：基于分层对比学习的图像表示改进

    在图表征学习中，提出了一种新的分层对比学习 (Hierarchical Contrastive Learning, 简称 HCL) 框架，采用自适应的 L2Pool 方法进行更合理的多尺度图形拓扑构建，并采用多通道伪孪生网络来进一步扩展各级别内的互信息学习，以获得更丰富和更具层次感的表示。通过实验，HCL 在节点分类、节点聚类和图分类等 12 个数据集上均取得了具有竞争力的性能表现，并且通过可视化显示，HCL 成功捕捉到了图的有意义特征。

    Oct, 2022

  • 谱时对比学习

    无监督学习与对比学习相结合的时间对比学习方法（STCL）基于谱分析来构建损失函数，利用示例数据的线性探测表现来评估图的谱特性。

    Dec, 2023

  • 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

  • 超图对比学习中的数据增广：构造式和生成式

    本研究旨在改善低标签环境下超图神经网络的泛化性能，提出 HyperGCL 方法，通过应用图像 / 图形上的对比学习方法构建超图的对比视图，其中包括从领域知识指导下的虚构方案以及利用超图生成模型进行数据驱动上的更有效视图的探索。实验结果表明，HyperGCL 在提高超图表示学习的鲁棒性和公平性方面表现出色。

    Oct, 2022