异配图上基于图滤波的图对比学习
机器学习
2024-06-12 v2
摘要
图对比学习（CL）方法通过最大化基于 GNN 的编码器所获增强节点表示间的相似性，以自监督方式学习节点表示。然而，CL 方法在异配图上表现不佳，异配图中相连节点往往属于不同类别。本工作中，我们提出一种有效的图 CL 方法 HLCL，以解决异配条件下的图表示学习问题。HLCL 首先基于节点特征的余弦相似度识别出一个同配子图与一个异配子图。随后，其使用低通与高通图滤波器分别聚合同配子图中相连节点的表示、并区分异配子图中节点的表示。最终的节点表示通过对比增强的高通滤波视图与增强的低通滤波节点视图来学习。大量实验表明，HLCL 在具有异配性的基准数据集及大规模真实图上的表现优于最先进图 CL 方法达 7%，并在异配数据集上超越图监督学习方法达 10%。
引用
@article{arxiv.2303.06344,
title = {Graph Contrastive Learning under Heterophily via Graph Filters},
author = {Wenhan Yang and Baharan Mirzasoleiman},
journal= {arXiv preprint arXiv:2303.06344},
year = {2024}
}