面向图对比学习的自适应负采样
机器学习
2026-05-06 v1
摘要
图对比学习 (GCL) 已成为计算智能领域的自监督表征学习核心范式，广泛应用于推荐、异常检测和个性化等场景。现有方法的关键局限在于依赖静态负采样，无法考虑训练期间负样本的动态信息性和计算成本。我们提出 AdNGCL，一种基于硬度感知调度器 (HANS) 的自适应负采样框架，将负样本选择形式化为基于损失门控、受预算约束的过程，跨硬、中、易三个层次进行。调度器根据全局和类别级预算下的对比损失趋势动态调整步长，同时定期刷新样本以保持多样性而不超过计算限制。在九个基准图数据集上的实验表明，AdNGCL 持续推进最先进的性能，在七个数据集上实现最佳准确率，其余两个数据集获得第二佳准确率，同时提供对计算成本的显式控制。这些结果凸显了基于预算感知和损失敏感调度的价值，作为提升表征学习鲁棒性和效率的通用策略。
引用
@article{arxiv.2605.03076,
title = {Adaptive Negative Scheduling for Graph Contrastive Learning},
author = {Adnan Ali and Jinlong Li and Syed Muhammad Israr and Ali Kashif Bashir},
journal= {arXiv preprint arXiv:2605.03076},
year = {2026}
}
备注
14 pages, 5 figures, 9 benchmark datasets, code available at GitHub