基于成对增强的对抗式课程图对比学习
机器学习
2024-02-19 v1 人工智能
摘要
图对比学习（GCL）已成为图表示学习领域的一项关键技术。有效 GCL 的一个关键方面是所生成正负样本的质量，这本质上取决于它们与原始数据的相似度。然而，在样本生成过程中精确控制相似度是一项巨大的挑战，常常阻碍了对代表性图模式的有效发现。为了应对这一挑战，我们提出了一个创新框架：对抗式课程图对比学习（ACGCL），该框架利用成对增强的优势，生成具有可控相似度的图级正负样本，并结合子图对比学习以从中识别有效的图模式。在 ACGCL 框架内，我们设计了一种新颖的对抗式课程训练方法，通过依次增加区分生成样本的难度来促进渐进式学习。值得注意的是，该方法通过自适应地聚焦于更具挑战性的训练数据，克服了传统课程学习策略中普遍存在的稀疏性问题。最后，我们在六个著名的基准数据集上通过大量实验对 ACGCL 进行了全面评估，其中 ACGCL 显著超越了一组最先进的基线方法。
引用
@article{arxiv.2402.10468,
title = {Adversarial Curriculum Graph Contrastive Learning with Pair-wise Augmentation},
author = {Xinjian Zhao and Liang Zhang and Yang Liu and Ruocheng Guo and Xiangyu Zhao},
journal= {arXiv preprint arXiv:2402.10468},
year = {2024}
}