一种用于子图对比学习的融合 Gromov-Wasserstein 方法
机器学习
2025-03-03 v1 人工智能
摘要
在标记数据稀缺或不可用时，自监督学习已成为训练深度学习模型的关键方法。尽管图机器学习在各个领域展现出巨大潜力，但为自监督图表示学习设计有效的代理任务仍具挑战性。对比学习作为图自监督学习中的一种流行方法，利用正样本对和负样本对来计算对比损失函数。然而，当前的图对比学习方法往往难以充分利用结构模式和节点相似性。为了解决这些问题，我们提出了一种名为融合 Gromov-Wasserstein 子图对比学习（FOSSIL）的新方法。我们的模型整合了节点级和子图级的对比学习，将标准节点级对比损失与融合 Gromov-Wasserstein 距离无缝结合。这种结合帮助我们的方法同时捕捉节点特征和图结构。重要的是，我们的方法在同配图和异配图上均表现良好，并且能够动态创建视图以生成正样本对和负样本对。通过在基准图数据集上的大量实验，我们表明 FOSSIL 优于或达到了与当前最先进方法相当的性能。
引用
@article{arxiv.2502.20885,
title = {A Fused Gromov-Wasserstein Approach to Subgraph Contrastive Learning},
author = {Amadou S. Sangare and Nicolas Dunou and Jhony H. Giraldo and Fragkiskos D. Malliaros},
journal= {arXiv preprint arXiv:2502.20885},
year = {2025}
}