.png){kind=icon}
返回
Semantic-aware contrastive learning for graph classification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2025.129976.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目前，基础图级对比学习的性能受到传统数据增强策略和大小不平衡的限制。首先，在嵌入空间中添加噪声进行数据增强可能导致图级表示超出类别决策边界并改变其原始语义信息。其次，在不区分图语义信息的情况下，将头图的信息传递到尾图以缓解大小不平衡，可能导致模型性能次优。为解决这些问题，我们提出了一种名为SAGCL的语义感知图级对比学习方法。具体而言，SAGCL通过调整类别中心特征与增强特征之间的接近度来实现可控的数据增强，同时保留图固有的结构和语义信息。同时，使用簇内方差作为正则化项来维持特征分布的均匀性。此外，SAGCL采用置信度加权方法获取每个簇中头图和尾图的语义原型。然后，将头图丰富的语义信息传递到尾图，有效增强了模型区分尾图的能力。在八个不平衡数据集上的图分类任务实验表明，SAGCL优于现有的最先进方法。
