自适应多层对比图神经网络
机器学习
2023-11-30 v1
摘要
我们提出了自适应多层对比图神经网络（AMC-GNN），这是一个用于图神经网络的自监督学习框架，能够在没有数据标签的情况下学习样本数据的特征表示。AMC-GNN 通过数据增强生成两个图视图，并比较图神经网络编码器不同层的输出嵌入以获取特征表示，这些表示可用于下游任务。AMC-GNN 能够通过注意力机制自适应地学习不同层嵌入的重要性权重，并引入辅助编码器以更好地训练图对比编码器。通过最大化早期层中正样本对的表示一致性与最终嵌入空间的一致性，准确率得到了提升。我们的实验表明，使用 AMC-GNN 框架可以在四个公认的图基准数据集（Cora、Citeseer、Pubmed、DBLP 引用网络数据集）以及四个新提出的数据集（Coauthor-CS、Coauthor-Physics、Amazon-Computers、Amazon-Photo）上持续改进结果。
引用
@article{arxiv.2109.14159,
title = {Adaptive Multi-layer Contrastive Graph Neural Networks},
author = {Shuhao Shi and Pengfei Xie and Xu Luo and Kai Qiao and Linyuan Wang and Jian Chen and Bin Yan},
journal= {arXiv preprint arXiv:2109.14159},
year = {2023}
}
备注
16 pages,7 figures