.png){kind=icon}
返回
Multiview Graph Contrastive Learning Based on Learnable Graph Augmentation
.png){kind=icon}
PRE
AI
DOI：10.1109/TCSS.2026.3660965.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图对比学习近年来在图表示学习领域获得了显著关注。大多数图对比学习方法通过增强输入图生成两个图视图，并最大化其表示的一致性。然而，由于缺乏对图数据的先验知识，现有的图增强方法通常生成低质量视图，这会破坏图的核心结构信息，从而影响模型的学习。根本限制在于此类增强的语义无关性，无法适应底层数据分布和模型演变的训练状态。此外，现有对比学习方法通常采用单一的对比策略，并依赖大量的相似度计算，这使得难以充分捕捉图中的多样化特征。为解决这些限制，我们提出了一种基于可学习图增强的多视图图对比学习方法（MGLGA）。具体而言，该方法放弃了传统的随机图增强，通过动态特征学习构建视图，并利用图特征学习器和后处理模块生成特征视图，从而聚焦于图的基本结构特征，同时最小化对视图生成的干扰。这种可学习的范式确保增强视图保持高语义保真度，并在训练过程中提供自适应的、课程式的学习信号，从而理论上促进更好的泛化。此外，我们设计了三分支结构，通过节点级和图级对比捕捉图的细粒度和粗粒度知识。我们进一步通过对比目标优化开发了一种结构感知的组判别损失，增强了模型捕捉图结构模式的能力。全面的评估表明，该方法在多个下游基准上取得了最先进的表现。
Keyword:
Graph contrastive learning (GCL)
node classification
node clustering
self-supervised learning
期刊
IF:
4.9
论文数:
622
被引数:
6.8K
机构
引用论文
AM-GCN: Adaptive Multi-channel Graph Convolutional Networks.png)
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
OAAI
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏
GCCProceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningOAAI
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏Maximizing Mutual Information Across Feature and Topology Views for Representing Graphs最大化特征和拓扑视图之间的互信息以表示图形
PREAI
分享收藏
查看更多内容