Learning Generalizable Contrastive Representations for Graph Zero-Shot Learning

doi:10.1109/TMM.2025.3599043

Learning Generalizable Contrastive Representations for Graph Zero-Shot Learning

2025-01-01

0

PRE

AI

DOI：10.1109/TMM.2025.3599043

原文链接

原文求助

摘要

En 中文

本文研究了图零样本学习问题，其目标是在训练中从未见过的图节点上识别新颖类别。图零样本学习的核心在于建立数学关系，以将已知类别的节点先验知识迁移到未知类别。然而，该问题在很大程度上尚未得到充分探索，现有方法通常侧重于从已知类别获取监督信号，或仅基于语义描述矩阵建立类别间的连接，从而导致学习到的表示缺乏对未知类别的泛化能力。为解决此问题，本文提出GraphGCR，从一致性和对齐的角度学习泛化对比表示。技术上，GraphGCR利用图扩散扩展监督对比学习，鼓励不同类别的语义表示均匀分布，同时借助图结构信息实现节点特征与类别语义的对齐。此外，为有效增强模型泛化能力，我们进一步开发了类别生成器，通过嵌入传播和插值合成未知类别的特征，从而丰富类别多样性。理论分析也表明，我们提出的框架具有强判别性，显著提升了图零样本学习性能。实验结果表明，我们的GraphGCR在各类基准数据集上显著优于现有最先进方法。

Keyword:

Graph neural networks

zero-shot learning

contrastive learning

Learning Generalizable Contrastive Representations for Graph Zero-Shot Learning

摘要

期刊

机构

引用论文