图上无增强的自监督学习
机器学习
2021-12-08 v2 人工智能
摘要
受近期自监督方法在图像上成功的启发，图结构数据的自监督学习快速发展，尤其以基于增强的对比方法为中心。然而，我们认为若无精心设计的增强技术，图上的增强可能任意行事，即图的底层语义可能剧烈改变。因此，现有基于增强的方法的性能高度依赖于增强方案的选择，即与增强相关的超参数。本文提出一种新颖的图上无增强自监督学习框架，名为AFGRL。具体而言，我们通过发现与图共享局部结构信息和全局语义的节点来生成图的另一视图。在多个真实世界数据集上针对各种节点级任务（即节点分类、聚类和相似度搜索）的广泛实验证明了AFGRL的优越性。AFGRL的源代码可在 https://github.com/Namkyeong/AFGRL 获取。
引用
@article{arxiv.2112.02472,
title = {Augmentation-Free Self-Supervised Learning on Graphs},
author = {Namkyeong Lee and Junseok Lee and Chanyoung Park},
journal= {arXiv preprint arXiv:2112.02472},
year = {2021}
}
备注
AAAI 2022