.png){kind=icon}
返回
Structural entropy based graph contrastive learning for node classification
.png){kind=icon}
PRE
AI
DOI：10.1177/1088467X251395501.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
作为图分析范式中的典型任务，节点分类旨在为给定图中的每个节点预测其类别标签。为解决标签稀缺的挑战，图对比学习（GCL）已作为一种主流方法涌现出来，用于无监督节点表示学习。通过训练图神经网络（GNNs）以区分不同增强视图下的正负样本对，GCL能够实现有效的特征学习。然而，现有GCL方法中的大多数视图增强策略不可避免地引入额外噪声，从而降低了节点表示的质量。此外，这些方法通常忽略了图中固有的层次社区结构，这可能导致将紧密连接的节点对误标记为负样本——这与图的同质性假设相矛盾。为解决这些问题，我们提出了一种基于结构熵的GCL节点分类方法。具体而言，我们利用通过最小化结构熵构建的编码树，以及通过注意力机制生成的边重加权视图作为GCL的增强视图。这种设计保留了输入视图的基本结构信息的完整性。此外，通过整合编码树的层次社区特征，我们开发了一种图-树对比损失函数，以增强节点表示捕捉层次社区结构的能力。广泛的实验表明，我们的方法在有效性和鲁棒性方面优于现有的节点分类方法。
Keyword:
node classification
graph contrastive learning
structural entropy
encoding tree
graph-tree loss
期刊
I
IF:
0.8
论文数:
72
被引数:
1.3K
机构
引用论文
分享收藏LUO Y, SHI L, WU X-M. Classic gnns are strong baselines: Reassessing gnns for node classification [J]. Advances in Neural Information Processing Systems, 2024, 37: 97650-69. doi: 10.48550/arXiv.2406.08993.LUO Y, SHI L, WU X-M. 经典图神经网络是强大的基线：重新评估图神经网络在节点分类中的应用 [J]. 神经信息处理系统进展, 2024, 37: 97650-69. doi: 10.48550/arXiv.2406.08993..png)
IF0
PREAI
分享收藏Hierarchical and Incremental Structural Entropy Minimization for Unsupervised Social Event Detection
OAAI
OAAI分享收藏
查看更多内容