边对比学习：一种免数据增强的图对比学习模型
机器学习
2024-12-17 v1
摘要
图对比学习旨在以自监督方式从无标签图数据中学习表示，并在近年来得到了迅速发展。然而，大多数现有的图对比学习方法未能充分探索边级对比。图对比学习中的大多数研究仅将边视为更新节点特征时的辅助信息。基于边的图对比学习的主要障碍之一是沉重的计算负担。为了解决这个问题，我们提出了一种能够为图对比学习高效学习边特征的模型，即免数据增强边对比学习，以实现边-边对比。AFECL 不依赖数据增强，由两部分组成。首先，我们设计了一种新型的边特征生成方法，其中边特征通过其连接节点的嵌入拼接来计算。其次，开发了一种边对比学习方案，其中连接相同节点的边被定义为正样本对，其他边被定义为负样本对。实验结果表明，与近期最先进的图对比学习方法甚至一些有监督的图神经网络相比，AFECL 在链接预测和极稀缺标签的半监督节点分类上取得了 SOTA 性能。源代码可在 https://github.com/YujunLi361/AFECL 获取。
引用
@article{arxiv.2412.11075,
title = {Edge Contrastive Learning: An Augmentation-Free Graph Contrastive Learning Model},
author = {Yujun Li and Hongyuan Zhang and Yuan Yuan},
journal= {arXiv preprint arXiv:2412.11075},
year = {2024}
}