Graph Contrastive Learning with Augmentations

最新推荐文章于 2024-07-25 16:56:41 发布
最新推荐文章于 2024-07-25 16:56:41 发布
阅读量906 收藏 2
点赞数
文章标签： 网络 人工智能 python graph
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_37525990/article/details/115092607
版权

Graph Contrastive Learning with Augmentations

图增强对比学习

孪生网络框架，用于学习数据的无监督学习表示。

设计了四种不同的图扩充方法

对比学习目的：通过不同扩充视图下最大化特征一致性来学习表示形式。
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

总结

基于孪生网络的对比学习，提出了图数据上的增强方式

Vectery
关注
Graph Contrastive Learning with Adaptive Augmentation
欢迎订阅 -- 小源笔迹
07-09 1002
对比学习在无监督图表示学习中取得了很好的效果，大部分图对比学习首先对输入图做随机增强生成两个视图然后最大化两个视图表示的一致性。其中，图上的增强方式是非常重要的部分鲜有人探索。我们认为数据增强模式应该保留图固有的属性和结构，可以使模型学到对于不重要的结点和边扰动不敏感的表示信息。但目前的方法大多采用均质的增强方法如均匀的去边，或扰动特征，只能达到次优效果。本文借助先验信息从拓扑和语义角度引入自适应的增强策略。具体来说，在拓扑角度，采用基于结点的中心性来衡量连接结构的重要性的方式设计增强模式；在特征维度，给不
（深度学习快速入门）Graph Contrastive Learning with Augmentations(GraphCL)笔记
快乐江湖的博客
02-04 276
图结构化数据上的可推广、可转移和鲁棒表示学习仍然是当前图神经网络（GNN）面临的挑战。与为图像数据开发的卷积神经网络（CNN）不同，对于GNN来说，自监督学习和预训练的研究较少。在本文中，我们提出了一种图对比学习（GraphCL）框架，用于学习图数据的无监督表示。我们首先设计了四种类型的图增强，以整合各种先验知识。然后，我们系统地研究了各种图增强在多个数据集上的影响，在四种不同的设置下进行了研究：半监督、无监督和迁移学习以及对抗攻击。
【无标题】Graph Contrastive Learning with Augmentations
qq_43955154的博客
04-13 876
本文贡献： 设计了四种类型的图数据增强，每种增强都对图数据有一定的先验性 提出了用于GNN预训练的图对比学习框架，以便于对于不同的图结构数据学习到稳定的表示。 系统研究旨在评估不同类型数据集上对比不同增强的性能，揭示性能的基本原理，并为特定数据集采用框架提供指导 GraphCL在半监督学习、无监督表征学习和迁移学习环境下取得
【论文阅读】Graph Contrastive Learning with Augmentations
最新发布
weixin_45049017的博客
07-25 1807
GraphCL：图对比学习与数据增强
论文阅读：Graph Contrastive Learning with Augmentations
yihanyifan的博客
06-17 1114
图结构数据上的广义、可转移和鲁棒表示学习仍然是当前图神经网络(GNNs)面临的一个挑战。与用于图像数据的卷积神经网络(CNNs)不同，对gnn的自我监督学习和预训练的探索较少。在本文中，我们提出了一个图对比学习(GraphCL)框架来学习图数据的无监督表示。首先，我们设计了四种图增广来包含各种先验。然后，我们在四种不同的设置中系统地研究了图增强的各种组合对多个数据集的影响:半监督、无监督、迁移学习以及对抗性攻击。结果表明，即使不调优扩展范围，也不使用复杂的GNN架构，我们的GraphCL框架可以产生与最先进
graph contrastive learning with augmentations
03-16
图形对比学习是一种利用数据增强技术来学习图形表示的方法。它通过将同一图形的不同版本（例如旋转、缩放、裁剪等）作为正样本对比，将不同图形的版本作为负样本对比，从而学习到更加鲁棒和泛化性能更好的图形表示。...
【论文阅读】Graph Contrastive Learning with Adaptive Augmentation
Lereno的博客
04-19 2571
Graph Contrastive Learning with Adaptive Augmentation 用于图数据增强的图对比学习 文章目录Graph Contrastive Learning with Adaptive Augmentation用于图数据增强的图对比学习摘要1 引言二、使用步骤1.引入库2.读入数据总结 摘要 近年来，对比学习（Contrastive Learning，CL）已成为一种成功的无监督图表示学习方法。大多数图的CL方法首先对输入图进行随机增强，以获得两个图的视图，并最大化两
【阅读笔记】Bringing Your Own View: Graph Contrastive Learning without Prefabricated Data Augmentations
qq_43558009的博客
08-02 1323
【阅读笔记】WSDM 2022 - Bringing Your Own View: Graph Contrastive Learning without Prefabricated Data Augmentations
2020[NIPS] Graph Contrastive Learning with Augmentations 用于图数据增强的图对比学习
YoHu人家的博客
11-04 9234
目录AbstractIntroduction研究意义与难点贡献概念补充Method图的数据增强图对比学习GraphCLDiscussion图对比学习中数据增强扮演的角色有效图扩充的类型、范围和模式ComparsionConclusionBroader Impact Abstract ​ 对图结构化数据的通用性，可传递性和鲁棒性表示学习仍然是当前图神经网络（GNN）面临的挑战。与针对卷积神经网络（CNN）开发的图像数据不同，针对GNN的自我监督学习和预训练的探索较少。在本文中，我们提出了一种图对比学习（Gr
NIPS21 AD-GCL： Adversarial Graph Augmentation to Improve Graph Contrastive Learning
qq_40926715的博客
10-29 790
图级
自监督学习（十八）Contrastive Learning with Stronger Argumetations
weixin_47444348的博客
10-12 1551
Contrastive Learning with Stronger ArgumetationsIntroductionMethodExperimentsLinear Classification on ImageNetTransfer learning results on various downstream tasksConclusion Introduction 本文目前是放在ICLR2021的审稿网站，还没有正式的意见。但是文章的实验效果非常强，超过了之前一众的contrastive方法，并且已经
【2023/图对比/增强】MA-GCL: Model Augmentation Tricks for Graph Contrastive Learning
码农的科研笔记
02-23 903
【2023/图对比/增强】MA-GCL: Model Augmentation Tricks for Graph Contrastive Learning
【论文阅读】AD-GCL：Adversarial Graph Augmentation to Improve Graph Contrastive Learning
cziun的博客
08-13 2438
目录摘要1 引言2 准备工作2.1 学习图表示2.2 GNNs2.3 互信息最大化3 对抗性图对比学习3.1 AD-GCL的理论动机及制定3.2 通过可学习的边缘扰动实例化AD-GCL3.2.1 可学习的Edge Dropping GDA模型TΦ(⋅)T_Φ(·)TΦ​(⋅)3.2.2 参数化TΦ(⋅)T_Φ(·)TΦ​(⋅)3.2.3 调整TΦ(⋅)T_Φ(·)TΦ​(⋅)4 实验 摘要 提出了对抗性图对比学习——AD-GCL，它通过优化GCL中使用的对抗性图增强策略，使GNN在训练过程中避免捕获冗余(图
快速读论文----AD-GCL：Adversarial Graph Augmentation to Improve Graph Contrastive Learning
weiwei935707936的博客
06-20 813
AD-GCL：Adversarial Graph Augmentation to Improve Graph Contrastive Learning
NIPS20： GraphCL Graph Contrastive Learning with Augmentations
qq_40926715的博客
10-18 723
试图增强，drop node, egde subgraph, feature mask
WWW21 GCA： Graph Contrastive Learning with Adaptive Augmentation
qq_40926715的博客
10-13 663
GRACE， adaptive mask， SSL
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值