本文是 如何 学得 多个不同自监督任务的 权重,自动学习, 从同质性假设推断, 好的embedding 其同质性更强, 同质性作为自监督的任务,理论依据:最大化同质性==最大化标签之间的互信息,提出基于进化和 基于元学习的 方法。 本文 不同学习权重的方法 可以借鉴,此外 将homo在学习表征过程考虑,对同质图有用。
实验和 GDI MVGRL一样 一层encoder node classfication node clustering
本文是 如何 学得 多个不同自监督任务的 权重,自动学习, 从同质性假设推断, 好的embedding 其同质性更强, 同质性作为自监督的任务,理论依据:最大化同质性==最大化标签之间的互信息,提出基于进化和 基于元学习的 方法。 本文 不同学习权重的方法 可以借鉴,此外 将homo在学习表征过程考虑,对同质图有用。
实验和 GDI MVGRL一样 一层encoder node classfication node clustering