超级会员免费看
本文概述了图对比学习的发展，重点介绍了自监督学习中的对比范式，如图增强、对比模式和优化目标，以及InfoNCE等方法。文章讨论了如何通过无标签数据训练图神经网络，强调了互信息最大化和正负样本对比的重要性。
图对比学习综述（一）：对比范式与优化目标
1. 引言
图表示学习通常专注于将节点结构和特征编码成低维的稠密向量，现有的图神经网络模型往往结合（半）监督学习，因此需要丰富的标签作为监督信号。
近来，随着NLP和CV领域中自监督学习的发展，这种不依赖标注数据的学习范式成为了研究的主流热点。在CV中，通过实例判别作为代理任务，从而引出的对比学习范式，成为了自监督学习的主流之一，并在许多表示学习任务中取得了与有监督任务相当的性能。因此，将适用于图像数据上的对比学习方法有效地迁移至图数据上，也成为了图学习研究领域一个有趣的问题，在此研究背景下，诞生了许多适用于图的对比学习方法。
本图对比学习综述系列，将以方法论的视角出发，从 What, How, Why 三个方面探讨对比学习中的对比范式与优化目标，并结合图对比
订阅专栏 解锁全文
扫一扫
1202
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
