ARIEL：对抗图对比学习
机器学习
2024-02-07 v2
摘要
对比学习是图表示学习中一种有效的无监督方法，其关键组成部分在于正负样本的构造。先前的方法通常利用图中节点的邻近性作为原则。近来，基于数据增强的对比学习方法在视觉领域展现出强大威力，一些工作将该方法从图像扩展到图。然而，不同于图像上的数据增强，图上的数据增强远不直观且更难提供高质量对比样本，这留下了很大改进空间。本工作中，通过引入对抗图视图进行数据增强，我们提出一种简单但有效的方法——对抗图对比学习(ARIEL)，以在合理约束内提取信息丰富的对比样本。我们开发了一种称为信息正则化的新技术用于稳定训练，并使用子图采样以保证可扩展性。我们将方法从节点级对比学习推广到图级，将每个图实例视为超级节点。ARIEL在真实世界数据集上的节点级和图级分类任务中始终优于当前图对比学习方法。我们进一步证明ARIEL在面对对抗攻击时更具鲁棒性。
引用
@article{arxiv.2208.06956,
title = {ARIEL: Adversarial Graph Contrastive Learning},
author = {Shengyu Feng and Baoyu Jing and Yada Zhu and Hanghang Tong},
journal= {arXiv preprint arXiv:2208.06956},
year = {2024}
}
备注
arXiv admin note: substantial text overlap with arXiv:2202.06491