.png){kind=icon}
返回
FA-GCL: Feature-augmented graph contrastive learning method
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2025.108045.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图对比学习通过比较不同的图表示来提升图表示学习的有效性。现有方法主要依赖节点属性或结构信息进行对比分析。然而，在实际应用中，节点属性信息可能不完整或完全缺失，而结构增强方法往往会产生误报样本。为缓解这些问题，我们提出了一种基于特征增强的图对比学习方法（FA-GCL），以提升图表示的准确性和鲁棒性。具体而言，我们的方法首先采用基于动态dropout的特征增强技术，通过三角波函数动态调整dropout率，从而显著提高模型性能。此外，我们引入两种基于奇异值分解（SVD）的互补特征增强方法：一种理论严谨的完整SVD方法，以及一种计算高效的基于随机投影的SVD方法，该方法在保持谱特性的同时实现线性复杂度。这两种方法均对奇异值添加可控噪声并重构特征，以创建高质量的增强样本。我们在十二个广泛使用的图数据集上进行了全面实验。结果表明，FA-GCL在节点分类、节点聚类和图分类任务中始终优于基线方法。
Keyword:
Graph contrastive learning
Feature augmentation
Dynamic dropout
Singular value decomposition
期刊
IF:
6.3
论文数:
8.2K
被引数:
3.0W
机构
暂无机构信息
引用论文
Self-supervised contrastive graph representation with node and graph augmentation?.png)
NEURAL NETWORKS
OAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏GTC: GNN-Transformer co-contrastive learning for self-supervised heterogeneous graph representationGTC: 用于自监督异构图表示的gnn-transformer联合对比学习NEURAL NETWORKSOAAI
NEURAL NETWORKSIF6.3
OAAI分享收藏Mixup Feature: A Pretext Task Self-Supervised Learning Method for Enhanced Visual Feature LearningIEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏K-means clustering algorithms: A comprehensive review, variants analysis, and advances in the era of big dataK-means聚类算法: 大数据时代的全面回顾、变体分析和进展
PREAI
分享收藏 没有更多内容
没有更多内容