分形图对比学习
机器学习
2026-05-13 v4
摘要
图对比学习（GCL）依赖于语义一致的图增强，但常见的局部扰动对全局结构一致性的控制有限，这促使我们寻求一种更具原则性的全局增强策略。因此，我们提出了分形图对比学习（FractalGCL），这是一个由理论驱动的框架，它构建了一个基于重正化的增强图，并引入了一个分形维数感知的对比损失，该损失通过有限尺度计盒维数差异来惩罚不可靠的正视图并重新加权负对排斥力。然而，计算这些差异会引入大量开销，因此我们推导并证明了一个高斯替代方案，该方案避免了在重正化图上重复进行计盒维数计算，从而实现了约61%的运行时间减少。实验表明，FractalGCL在MalNet-Tiny上是一种有效的冻结预训练工具，在标准的TUDataset基准测试上取得了强大的性能，并在真实世界的城市交通任务上以平均准确率4.51个百分点的优势超越了次优方法。代码可在https://anonymous.4open.science/r/FractalGCL-0511/获取。
引用
@article{arxiv.2505.11356,
title = {Fractal Graph Contrastive Learning},
author = {Nero Z. Li and Xuehao Zhai and Zhichao Shi and Boshen Shi and Xuhui Jiang},
journal= {arXiv preprint arXiv:2505.11356},
year = {2026}
}
备注
32 pages, 7 figures