摘要： 
圖對比學習（Graph Contrastive Learning, GCL）旨在以自監督的方式學習圖的節點表征。具體而言，先以特定方式對原圖A進行增廣，得到兩個增廣后的視圖（view）V1和V2做為對比對（也可以是原圖和增廣后的視圖做為對比對），并經由GCN進行編碼得到兩個增廣視圖中的節點embeddings。接著，對于某個目標節點i，我們需要使其在某個增廣視圖中的embedding去接近在另一個增廣視圖中的正樣本embedding，而遠離負樣本embedding。不過，均勻隨機的邊擾動很難做為有效的增廣來使用，這啟發我們去構思比均勻擾動更好的圖增廣方法。我們知道圖譜可以做為許多圖的結構屬性的一個綜合性總結，包括聚類系數、連通性等等。那么，基于圖譜的圖增廣方法就是順理成章的了。 閱讀全文
圖對比學習（Graph Contrastive Learning, GCL）旨在以自監督的方式學習圖的節點表征。具體而言，先以特定方式對原圖A進行增廣，得到兩個增廣后的視圖（view）V1和V2做為對比對（也可以是原圖和增廣后的視圖做為對比對），并經由GCN進行編碼得到兩個增廣視圖中的節點embeddings。接著，對于某個目標節點i，我們需要使其在某個增廣視圖中的embedding去接近在另一個增廣視圖中的正樣本embedding，而遠離負樣本embedding。不過，均勻隨機的邊擾動很難做為有效的增廣來使用，這啟發我們去構思比均勻擾動更好的圖增廣方法。我們知道圖譜可以做為許多圖的結構屬性的一個綜合性總結，包括聚類系數、連通性等等。那么，基于圖譜的圖增廣方法就是順理成章的了。 閱讀全文
posted @ 2023-10-23 12:28
orion-orion
閱讀(1050)
評論(0)
推薦(1)
浙公網安備 33010602011771號