基于生成对抗网络的图对比学习
机器学习
2023-08-02 v1
摘要
图神经网络（GNNs）通过有监督的端到端训练，在利用节点表示完成许多下游任务方面已展现出有前景的结果。为应对现实应用中普遍存在的标签稀缺问题，图对比学习（GCL）通过最大化原始图生成的增强视图中节点间的互信息，以有限甚至无标签的方式训练 GNNs。然而，现有多数文献在视图生成中未考虑图的分布，从而忽略了未见边，我们的实验经验表明这些未见边能够提升 GCL 的性能。为此，我们提出引入图生成对抗网络（GANs）来学习 GCL 的视图分布，以 i) 自动捕捉图的特征用于增强，以及 ii) 联合训练图 GAN 模型与 GCL 模型。具体而言，我们提出 GACN，一种用于图表示学习的新型生成对抗对比学习网络。GACN 设计了一个视图生成器与一个视图判别器，以对抗方式自动生成增强视图。随后，GACN 利用这些视图通过两个精心设计的自监督学习损失（包括图对比损失与贝叶斯个性化排序损失）来训练 GNN 编码器。此外，我们设计了一个优化框架来联合训练所有 GACN 模块。在七个真实世界数据集上的大量实验表明，GACN 能够为 GCL 生成高质量增强视图，并优于十二种最先进的基线方法。值得注意的是，我们提出的 GACN 意外地发现，数据增强中生成的视图最终符合在线网络中著名的优先连接规则。
引用
@article{arxiv.2308.00535,
title = {Graph Contrastive Learning with Generative Adversarial Network},
author = {Cheng Wu and Chaokun Wang and Jingcao Xu and Ziyang Liu and Kai Zheng and Xiaowei Wang and Yang Song and Kun Gai},
journal= {arXiv preprint arXiv:2308.00535},
year = {2023}
}
备注
KDD 2023