关键词unsupervised graph representation learning
搜索结果 - 6
- 基于控制的数据增强对比学习中的图嵌入
通过利用动态网络的控制特性对无监督图表示学习问题进行研究,我们提出了一种基于对比学习的新框架。我们通过利用网络的控制特性生成扩展图,保留了原始图的结构特征,提高了分类任务准确性。这种创新方法的关键在于利用控制特性解码网络结构,为无监督图表示 - 多重网络中的表示学习:信息融合的位置和方法
在本文中,我们探索在无监督或半监督方式下,针对多通道网络中的节点学习表征的问题,并通过在图处理过程的不同层次上进行多样化的信息融合方案的详细分析和实验评估,提出了在处理多通道网络时如何构建 GNN 架构的改进方法。
- 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 - 超越同质性的多视图图形表示学习
该研究提出了一个多视角方法和多样化预文本任务引入的框架,即 Multi-view Graph Encoder (MVGE),以捕捉图形中的不同信号,并在合成和现实数据集上进行了广泛实验,并显示出显着的性能改进。
- AAAI超越平滑化:具有边异质性区分的非监督图表示学习
提出了一种新的无监督概率图表征学习方法 GREET,通过边鉴别器 (tedge discrimination) 学习鉴别同态和异态的边,采用对偶编码 (dual-channel encodings) 对同态和异态边进行对比,进一步强化边鉴别 - 节点与同构外的图表示学习
本文提出了 PairE,一种新的无监督图嵌入方法,使用两个匹配的节点作为嵌入的基本单元以捕捉节点关系和边缘信号,并利用多自监督自编码器完成两个预处理任务以提高性能,实验证明在边缘分类和节点分类任务上有相对较高的性能提升。