AS-GCL：图对比学习中的非对称谱增强
机器学习
2025-02-20 v1
摘要
图对比学习（GCL）已成为图结构数据自监督学习的首要方法。GCL 通过从各种增强视图中学习稳健的表示来减少对标记数据的依赖。然而，现有的 GCL 方法通常依赖于一致的随机增强，忽略了它们对谱域内在结构的影响，从而限制了模型有效泛化的能力。为了解决这些局限性，我们提出了一种名为 AS-GCL 的新范式，该范式将非对称谱增强纳入图对比学习。典型的 GCL 框架由三个关键组件组成：图数据增强、视图编码和对比损失。我们的方法对每个组件都引入了显著的改进。具体而言，对于数据增强，我们应用基于谱的增强来最小化谱变化、增强结构不变性并降低噪声。在编码方面，我们采用具有不同扩散算子的参数共享编码器来生成多样化且抗噪的图视图。对于对比损失，我们引入了一个上界损失函数，通过保持类内和类间距离的均衡分布来促进泛化。据我们所知，我们是第一个使用非对称编码器对谱域的增强视图进行编码的研究。在跨各种节点级任务的八个基准数据集上的广泛实验证明了所提方法的优势。
引用
@article{arxiv.2502.13525,
title = {AS-GCL: Asymmetric Spectral Augmentation on Graph Contrastive Learning},
author = {Ruyue Liu and Rong Yin and Yong Liu and Xiaoshuai Hao and Haichao Shi and Can Ma and Weiping Wang},
journal= {arXiv preprint arXiv:2502.13525},
year = {2025}
}
备注
Accepted by TMM