.png){kind=icon}
返回
GCL-ALG: graph contrastive learning with adaptive learnable view generators
.png){kind=icon}
PRE
AI
DOI：10.7717/peerj-cs.3101.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
数据增强是图对比学习的关键部分，能够挖掘隐式的图数据信息以提升表示学习的质量。近年来，关于图数据增强的研究已取得有前景的成果。然而，现有的图对比学习方法受限于固有的预定义增强方案，这极大地限制了增强方法的泛化能力。为此，我们提出了一种新的自适应原始拓扑可学习的数据增强算法，即具有自适应可学习视图生成器的图对比学习（GCL-ALG），以端到端自监督学习方式优化增强过程和特征学习。具体而言，GCL-ALG引入图神经网络（GNN）、图注意力模块和边概率分布，构建双层级特征提取框架以生成高可靠性表示，同时整合网络科学理论，选择性调整节点级和边级的增强概率强度，并训练动态可学习的增强实例。此外，GCL-ALG设计了多种损失函数以驱动表示优化，确保生成的图表示在不同任务中具有高度判别性。我们在无监督学习、半监督学习和迁移学习应用任务上进行了广泛的实验。实验结果证明了所提出的GCL-ALG方法在16个基准数据集上表现出卓越的性能。
Keyword:
Automated data augmentation
Graph contrastive learning
Learnable view generator
Graph neural networks
期刊
IF:
2.5
论文数:
3.4K
被引数:
6.9K
机构
暂无机构信息
引用论文
BO-Aug: learning data augmentation policies via Bayesian optimizationBO-8月: 通过贝叶斯优化学习数据增强策略.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏
Improved protein structure prediction using potentials from deep learning利用深度学习的潜力改进蛋白质结构预测Nature
NatureIF0
PREAI
分享收藏Multi-view knowledge graph fusion via knowledge-aware attentional graph neural networkAPPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏
查看更多内容