.png){kind=icon}
返回
Local augmentation and debiasing for graph contrastive learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.131954.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
对比学习（CL）在图自监督任务中已展现出显著效果，其中增强策略和负样本是两个关键因素。增强过程旨在生成语义相似但细节有别的样本。鉴于图数据中嵌入的语义信息可能不如计算机视觉领域直观，设计合适的图增强策略已引起研究者广泛关注。此外，现有节点级CL方法通常将除目标节点外的所有节点视为负样本。这种做法可能导致采样偏差，即使用不准确的负样本（假负样本）进行对比学习，最终影响学习到的表示质量。受图神经网络（GNNs）聚集局部信息设计启发，我们提出了一个新的局部增强与去偏（LAD）框架用于图对比学习。具体而言，我们为每个节点构造局部样本，并采用统计方法估计这些局部样本的分布，随后从各分布中采样生成新视图。此外，为缓解采样偏差，我们对用于生成局部样本的节点施加加权惩罚，将其视为对应节点的假负样本。理论上，去偏目标函数引入了增强视图中节点特征与嵌入之间的互信息更严格的下界。在真实数据集上进行的广泛节点分类实验证明了所提出方法的有效性。
Keyword:
Self-supervised learning
Contrastive learning
Graph representation learning
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
引用论文
Metabolome and Transcriptome Analysis Reveals Putative Genes Involved in Anthocyanin Accumulation and Coloration in White and Pink Tea (Camellia sinensis) Flower.png)
MOLECULES
OAAI
MOLECULESIF4.6
OAAI分享收藏U-kan makes strong backbone for medical image segmentation and generation[C]U-kan 构建了强大的医学图像分割和生成的基础框架[C]
OAAI
IF0
OAAI分享收藏GALA: Graph Diffusion-Based Alignment With Jigsaw for Source-Free Domain AdaptationGALA：基于图扩散和拼图游戏的源域自适应对齐方法OAAI
OAAI分享收藏node2vec节点2vecProceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningOAAI
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
OAAI分享收藏DeepWalk深度行走Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data miningOAAI
Proceedings of the 20th ACM SIGKDD international conference on Knowledge discovery and data miningIF0
OAAI分享收藏
查看更多内容