CHGNN：一种半监督对比超图学习网络
机器学习
2024-05-29 v2 人工智能
摘要
超图能够建模数据对象间的高阶关系，这类关系存在于社交网络与生物信息学等应用中。然而，近期将图卷积网络扩展至超图的超图学习研究无法从非标注数据的特征中有效学习。针对此类学习，我们提出一种对比超图神经网络 CHGNN，其利用自监督对比学习技术从标注与非标注数据中学习。首先，CHGNN 包含一个自适应超图视图生成器，其采用自动增强策略并学习最小充分视图的扰动概率分布。其次，CHGNN 涵盖一个改进超图编码器，其考虑超边同质性以有效融合信息。第三，CHGNN 配备一个联合损失函数，结合视图生成器的相似度损失、节点分类损失与超边同质性损失以注入监督信号。它还包括基础与交叉验证对比损失，并关联一个增强的对比损失训练过程。在九个真实数据集上的实验结果揭示了 CHGNN 的有效性，表明其在分类准确率上一致优于 13 个竞争方法。
引用
@article{arxiv.2303.06213,
title = {CHGNN: A Semi-Supervised Contrastive Hypergraph Learning Network},
author = {Yumeng Song and Yu Gu and Tianyi Li and Jianzhong Qi and Zhenghao Liu and Christian S. Jensen and Ge Yu},
journal= {arXiv preprint arXiv:2303.06213},
year = {2024}
}
备注
Accepted by TKDE