免责声明:网站内容仅供个人学习记录,禁做商业用途,转载请注明出处。

版权所有 © 2017-2020 NEUSNCP个人学习笔记 辽ICP备17017855号-2

Graph Contrastive Learning with Adaptive Augmentation-基于自适应增强的图对比学习

近年来,对比学习(CL)已成为一种成功的无监督图表示学习方法。大多数图对比学习方法首先对输入图进行随机增强,以获得两个图视图,并最大化两个视图中表示的一致性。尽管图对比学习方法得到了繁荣的发展,但数据增强方案的设计却比较少,数据增强方案应保留图的固有结构和属性,只对不太重要的节点和边进行扰动。这样,模型才能在不同版本的图中识别并保持关键部分的表示一致,同时对无关或不重要的部分变化不敏感,学到更加稳健的图表示。 该论文提出一种自适应增强的图对比学习方法(Graph Contrastive l...

继续阅读 »
分享到:

论文分享-Pairwise Learning for Neural Link Prediction(自研对比学习LP框架)

摘要 对比学习链路预测框架PLNLP,由四个主要部分组成,即邻域编码器、链路预测器、负采样器和目标函数。 任何通用图神经卷积,如GCN[Kipf and Welling,2016a]和SAGE[Hamilton et al.,2017],或链接预测特定的神经架构,如SEAL[Zhang and Chen,2018]、NANs[Wang et al.、2020]和HalpNet[Wang等人,2021],都可以用作邻域编码器 对于链接预测器,我们设计了不同的评分函数,可以根据不同类型的图进行选择。 在负采样...

继续阅读 »
分享到: