图上对比多视图表示学习
机器学习
2020-06-11 v1 机器学习
摘要
我们提出一种通过对比图的结构视图来学习节点与图级表示的自监督方法。我们表明，不同于视觉表示学习，将视图数量增至两个以上或对比多尺度编码并不能提升性能，最佳性能由对比一阶邻域编码与图扩散编码实现。在线性评估协议下，我们在 8 个节点与图分类基准中的 8 个上取得了自监督学习的新最优结果。例如，在 Cora（节点）与 Reddit-Binary（图）分类基准上，我们取得了 86.8% 与 84.5% 的准确率，相对此前最优分别提升 5.5% 与 2.4%。与有监督基线相比，我们的方法在 8 个基准中的 4 个上优于它们。源代码发布于：https://github.com/kavehhassani/mvgrl
引用
@article{arxiv.2006.05582,
title = {Contrastive Multi-View Representation Learning on Graphs},
author = {Kaveh Hassani and Amir Hosein Khasahmadi},
journal= {arXiv preprint arXiv:2006.05582},
year = {2020}
}
备注
ICML 2020