基于特征的自适应增强用于图对比学习
机器学习
2022-07-06 v1 人工智能
摘要
自监督学习旨在消除图表示学习中对昂贵标注的需求，其中图对比学习（GCL）利用包含数据-数据对的自监督信号进行训练。这些数据-数据对通过对原始图施加随机函数增强而生成。我们认为，某些特征可能比其他特征更关键，这取决于下游任务，而均匀地施加随机函数会破坏有影响力的特征，导致精度下降。为解决此问题，我们引入基于特征的自适应增强（FebAA）方法，其识别并保留潜在有影响力的特征，并破坏其余特征。我们将 FebAA 实现为即插即用层，并将其用于最先进的深度图对比学习（GRACE）与自举图隐变量（BGRL）。我们成功提升了 GRACE 与 BGRL 在八个图表示学习基准数据集上的精度。
引用
@article{arxiv.2207.01792,
title = {Features Based Adaptive Augmentation for Graph Contrastive Learning},
author = {Adnan Ali and Jinlong Li},
journal= {arXiv preprint arXiv:2207.01792},
year = {2022}
}