HomoGCL：重新思考图对比学习中的同配性
机器学习
2023-06-19 v1 社会与信息网络
摘要
对比学习（CL）已成为图上自监督学习的事实标准学习范式，通常遵循“增广—对比”的学习方案。然而，我们观察到不同于计算机视觉领域的CL，图领域的CL即便无增广也表现尚可。我们对该现象进行系统分析，并认为同配性（即“物以类聚”原则）在图CL的成功中起着关键作用。受显式利用此性质的启发，我们提出HomoGCL，一个模型无关的框架，利用具有邻体特定重要性的邻居节点来扩展正样本集。理论上，HomoGCL在原始节点特征与增广视图中的节点嵌入之间引入了更紧互信息的下界。此外，HomoGCL能以即插即用的方式结合现有图CL模型，且仅带来轻微额外计算开销。大量实验表明，HomoGCL在六个公开数据集上取得多项当前最优结果，且在应用于各类图CL方法时持续带来显著性能提升。代码见 https://github.com/wenzhilics/HomoGCL。
引用
@article{arxiv.2306.09614,
title = {HomoGCL: Rethinking Homophily in Graph Contrastive Learning},
author = {Wen-Zhi Li and Chang-Dong Wang and Hui Xiong and Jian-Huang Lai},
journal= {arXiv preprint arXiv:2306.09614},
year = {2023}
}
备注
Accepted to KDD 2023 Research Track