为图对比学习生成反事实难负样本
机器学习
2023-05-19 v3 人工智能
摘要
图对比学习已成为无监督图表示学习的强大工具。图对比学习成功的关键在于获取高质量的正样本和负样本作为对比对,以学习输入图的底层结构语义。近期工作通常从与正样本相同的训练批次中或从外部不相关图中采样负样本。然而,此类策略存在一个显著局限,即不可避免的假负样本采样问题。在本文中,我们提出一种新方法,利用反事实机制为图对比学习生成人工难负样本,即 CGC,其与那些基于采样的策略相比具有不同视角。我们利用反事实机制产生难负样本,确保生成的样本与正样本相似但标签不同。所提方法在多个数据集上相较于一些传统无监督图学习方法和一些 SOTA 图对比学习方法取得了令人满意的结果。我们还进行了一些补充实验以对提出的方法给出广泛说明,包括具有不同难负样本的 CGC 的性能以及用不同相似性度量生成的难负样本的评估。
引用
@article{arxiv.2207.00148,
title = {Generating Counterfactual Hard Negative Samples for Graph Contrastive Learning},
author = {Haoran Yang and Hongxu Chen and Sixiao Zhang and Xiangguo Sun and Qian Li and Xiangyu Zhao and Guandong Xu},
journal= {arXiv preprint arXiv:2207.00148},
year = {2023}
}
备注
ACCEPTED BY WWW'2023