2025-03-02 10:30 李政霖
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 »2023-03-07 16:30 阿非
这篇论文研究的是估计知识图谱中的节点重要性，可以应用于其它下游任务例如推荐系统等。 这篇论文设计的GENI模型是一种基于GNN的方法，特点是GCN是用来 聚合节点重要性得分 ，而不是像其它的用于知识图谱的GCN那样通过谓词感知的注意力机制来聚合节点嵌入表示。 GNN通常通过节点嵌入在邻居之间传播信息，这是基于一个实体及其邻居相互影响的假设进行建模，因此就其邻居的表示而言，可以更好地表示一个实体的表示。但是，在节点重要性估计的任务中， 相邻重要性分数 对节点的重要性起 主要作用 ，而其他邻居特征可能影响不大...
继续阅读 »2023-03-06 10:52 沈樾
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 »2018-11-19 21:17 hxy
http://blog.sina.com.cn/s/blog_4d7c97a00101g53f.html
继续阅读 »2017-11-01 13:31 hxy
1、安装软件： basic-miktex-2.9.6361-x64.exe 官方下载： https://miktex.org/download/ctan/systems/win32/miktex/setup/windows-x64/basic-miktex-2.9.6942-x64.exe 本站备用下载（较慢）： /static/upload/article/201711061138001921.exe Texmaker 环境：Desktop msi installer for windows 7/...
继续阅读 »
