IJCAI 21 :Graph Debiased Contrastive Learning with Joint Representation Clustering

文章信息

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

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

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