.png){kind=icon}
返回
Subgraph Gaussian Embedding Contrast for Self-supervised Graph Representation Learning
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-06106-5_25.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图表示学习（GRL）是机器学习中的一个基础任务，旨在将高维图结构数据编码为低维向量。自监督学习（SSL）方法在GRL中广泛应用，因为它们可以避免昂贵的人工标注。在这项工作中，我们提出了一种新颖的子图高斯嵌入对比（SubGEC）方法。我们的方法引入了一个子图高斯嵌入模块，该模块自适应地将子图映射到结构化高斯空间，在生成具有可控分布的子图的同时确保输入子图特征的保留。然后，我们采用最优传输距离，更具体地说是Wasserstein距离和Gromov-Wasserstein距离，来有效衡量子图之间的相似性，从而增强对比学习过程的鲁棒性。在多个基准上的广泛实验表明，SubGEC在性能上优于或与当前最优方法具有竞争力。我们的发现为GRL的SSL方法设计提供了见解，强调了生成对比样本分布的重要性。
Keyword:
Subgraph Gaussian embeddings
graph representation learning
self-supervised learning
optimal transport
期刊
机构
引用论文
.png){kind=icon}
Beyond Smoothing: Unsupervised Graph Representation Learning with Edge Heterophily Discriminating
OAAI
OAAI分享收藏分享收藏GraphSAGE-Based Traffic Speed Forecasting for Segment Network With Sparse Data基于GraphSAGE的稀疏数据分段网络交通速度预测
PREAI
分享收藏分享收藏
查看更多内容