超越数据增广：利用实例间关系进行自监督表征学习
计算机视觉与模式识别
2025-10-28 v1
摘要
本文提出一种新颖的方法，将图论引入自监督表征学习。传统方法侧重于通过应用数据增广生成的实例内部变异，但常常忽视重要的实例间关系。我们的方法保留了实例内部特性，同时通过在预训练期间为教师流和学生流构建k近邻（KNN）图来捕获实例间关系。在这些图中，节点代表样本及其潜在表征，边缘编码实例之间的相似性。预训练后，进行表征细化阶段。在此阶段，图神经网络（GNN）在不仅传递相邻节点之间的消息，还通过多个跳跃传递消息，从而实现更广泛的上下文集成。在CIFAR-10、ImageNet-100和ImageNet-1K上的实验结果表明，与最先进的方法相比，准确率分别提高了7.3%、3.2%和1.0%。这些结果凸显了所提图基于机制的有效性。代码已公开于https://github.com/alijavidani/SSL-GraphNNCLR。
引用
@article{arxiv.2510.22322,
title = {Beyond Augmentation: Leveraging Inter-Instance Relation in Self-Supervised Representation Learning},
author = {Ali Javidani and Babak Nadjar Araabi and Mohammad Amin Sadeghi},
journal= {arXiv preprint arXiv:2510.22322},
year = {2025}
}
备注
Accepted in IEEE Signal Processing Letters, 2025