.png){kind=icon}
返回
Simplicial Complex -Driven Graph Contrastive Learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.132390.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管图对比学习（GCL）在近期取得了进展，但大多数方法仍局限于节点间的成对交互，未能捕捉到复杂系统中普遍存在的循环高阶结构，如完全子图和单纯复形，这些结构在蛋白质网络和社会网络等复杂系统中尤为常见。为解决此局限性，我们提出了S-GCL，一种以单纯复形驱动的框架，通过显式构建高维单纯形并利用哈odge拉普拉斯谱嵌入来建模多级拓扑交互。S-GCL编码了跨越节点、边和单纯形的结构化视图，并引入了一种多视图谱对比损失，以对齐不同单纯形阶数下的局部和全局拓扑表示。在六个多样化数据集上的实验表明，S-GCL在链接预测任务中实现了0.15%至34.27%的性能提升，在无监督设置下超越了16个竞争基线。我们的结果突显了拓扑感知对比学习的重要性，并为捕捉图结构数据中的复杂关系语义指明了新的方向。
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
引用论文
Incorporating attributes and multi-scale structures for heterogeneous graph contrastive learning融合属性和多尺度结构进行异构图对比学习.png)
INFORMATION FUSION
INFORMATION FUSIONIF15.5
PREAI
分享收藏分享收藏GCNT: Identify influential seed set effectively in social networks by integrating graph convolutional networks with graph transformersGCNT：通过整合图卷积网络与图变换器，有效识别社会网络中的关键种子节点集合
OAAI
OAAI分享收藏AGF-PPIS: A protein-protein interaction site predictor based on an attention mechanism and graph convolutional networksMETHODS
METHODSIF4.3
PREAI
分享收藏
Graph-theoretical prediction of biological modules in quaternary structures of large protein complexes图论预测大型蛋白质复合物的四级结构中的生物模块
PREAI
分享收藏
查看更多内容