HCL：用层次对比学习改进图表示
机器学习
2022-10-24 v1 人工智能
摘要
对比学习已成为图表示学习的强大工具。然而，大多数对比学习方法以固定的粗粒度尺度学习图特征，可能低估局部或全局信息。为捕获更具层次性且更丰富的表示，我们提出一种新颖的层次对比学习（HCL）框架，以层次化方式显式学习图表示。具体而言，HCL 包含两个关键组件：一种新颖的自适应 Learning to Pool（L2Pool）方法，用于构建更合理的多尺度图拓扑以获得更全面的对比目标；一种新颖的多通道伪孪生网络，以进一步实现各尺度内互信息的更具表达力的学习。综合实验结果表明，HCL 在涉及节点分类、节点聚类和图分类的 12 个数据集上取得了有竞争力的性能。此外，所学表示的可视化显示 HCL 成功捕获了图的有意义特征。
引用
@article{arxiv.2210.12020,
title = {HCL: Improving Graph Representation with Hierarchical Contrastive Learning},
author = {Jun Wang and Weixun Li and Changyu Hou and Xin Tang and Yixuan Qiao and Rui Fang and Pengyong Li and Peng Gao and Guotong Xie},
journal= {arXiv preprint arXiv:2210.12020},
year = {2022}
}
备注
published at The 21st International Semantic Web Conference ( ISWC 2022 )