CellCLAT：在自监督胞体对比学习中保持拓扑与修剪冗余
机器学习
2025-05-29 v1 人工智能
摘要
自监督拓扑深度学习 (TDL) 是一个新兴但尚未被充分探索的领域，在单纯复形和胞体复形中建模高阶相互作用以推导无标签图的表示方面具有巨大潜力。与单纯复形相比，胞体复形展现出更强的表达能力。然而，胞体 TDL 自监督学习的进展在很大程度上受到两个核心挑战的阻碍：胞体复形固有的外在结构约束，以及胞体表示中内在的语义冗余。第一个挑战强调传统的图增强技术可能会损害高阶胞体相互作用的完整性，而第二个挑战则指出胞体复形中的拓扑冗余可能会削弱任务相关信息。为了解决这些问题，我们引入了具有自适应修剪的胞体复形对比学习 (CellCLAT)，这是一个双重框架，旨在遵循胞体复形的组合约束的同时减轻信息冗余。具体而言，我们提出了一种基于参数扰动的增强方法，该方法在不改变底层胞体结构的情况下将受控噪声注入胞体相互作用中，从而在对比学习期间保持胞体拓扑。此外，采用胞体修剪调度器通过双层元学习方法屏蔽来自与任务无关的胞体的梯度贡献，有效地移除冗余拓扑元素，同时保持关键的高阶语义。我们提供了理论证明和实验验证，表明 CellCLAT 相比现有的自监督图学习方法取得了显著改进，标志着该领域的一次重要尝试。
引用
@article{arxiv.2505.21587,
title = {CellCLAT: Preserving Topology and Trimming Redundancy in Self-Supervised Cellular Contrastive Learning},
author = {Bin Qin and Qirui Ji and Jiangmeng Li and Yupeng Wang and Xuesong Wu and Jianwen Cao and Fanjiang Xu},
journal= {arXiv preprint arXiv:2505.21587},
year = {2025}
}