贝叶斯鲁棒图对比学习
机器学习
2022-06-06 v3
摘要
图神经网络（GNNs）已被广泛用于学习节点表示，并在节点分类等各种任务上取得优异性能。然而，真实世界图数据中不可避免的噪声会通过图结构轻易传播，从而显著降低 GNNs 的性能。在这项工作中，我们提出一种新颖且鲁棒的方法——贝叶斯鲁棒图对比学习（BRGCL），它训练一个 GNN 编码器来学习鲁棒节点表示。BRGCL 编码器是一个完全无监督的编码器。在训练 BRGCL 编码器的每个周期中迭代执行两步：(1) 通过一种新颖的贝叶斯非参数方法估计置信节点并计算节点表示的鲁棒聚类原型；(2) 在节点表示与鲁棒聚类原型之间进行原型对比学习。在公开和大规模基准上的实验证明了 BRGCL 的优越性能以及所学节点表示的鲁棒性。BRGCL 的代码可在 \url{https://github.com/BRGCL-code/BRGCL-code} 获取。
引用
@article{arxiv.2205.14109,
title = {Bayesian Robust Graph Contrastive Learning},
author = {Yancheng Wang and Yingzhen Yang},
journal= {arXiv preprint arXiv:2205.14109},
year = {2022}
}