IJCAI 21 :Graph Debiased Contrastive Learning with Joint Representation Clustering

文章信息

在这里插入图片描述

摘要

联合聚类+表征学习,基于 无偏采样 减少 对比学习中 负样本的 假阳性(即,负样本,可能和正样本有相同的类别)

介绍

在这里插入图片描述
假阳性问题:在负采样中的存在,导致 采样出的负样本和 正样本节点相同标签导致 被当作负样本,影响性能。

related work

GAE DGI等

方法

1.对比学习

在这里插入图片描述
对比学习未考虑类间信息,故之后采用 伪标签 聚类来联合优化

2 DEC的框架

3.无偏采样:

在得到精确的聚类结果后,我们可以从聚类中随机选择不同于正样本聚类的负样本。这样,聚类结果可以作为监测信号,有效地减少负采样过程中的恶性样本。
Debiased contrastive learning. Neu

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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