#今日论文推荐# AF-GCL:不需要增强的图对比学习
现有的图对比学习(GCL)模型依赖于图的增强,来学习在不同的增强图中保持不变的表示。作者发现,图的增强能够保存图的低频部分,而扰动图的高频部分,因此图对比学习模型往往能在同质图上取得很好的表现,但在高频的异质图中表现欠佳。基于此,作者提出了不需要增强的 AF-GCL 模型,它能够利用图神经网络聚合出的特征直接生成自监督信号,并且对图的同质性依赖程度更低。设 是一个无向图,其中 是顶点集, 是边集。设顶点的总数为 ,边的总数为 ,顶点的标签为 ,其中 , 是类的数量。顶点的特征矩阵为 ,其中 是顶点 的特征, 是输入特征的维数。邻接矩阵为 ,若 则 。
我们的目标是自监督地学习一个 GNN 编码器 ,以顶点特征和图结构作为输入,以顶点的低维表示作为输出,即 。这些表示可以用于下游的监督或半监督任务,如节点分类。
我们定义两种图同质性的衡量标准:点同质性(node homophily)和边同质性(edge homophily)。
论文题目:Augmentation-Free Graph Contrastive Learning
详细解读:https://www.aminer.cn/research_report/628afa0a7cb68b460fbf5bbc?download=falsehttps://www.aminer.cn/research_report/628afa0a7cb68b460fbf5bbc?download=false
AMiner链接:https://www.aminer.cn/?f=cs