基于同质性的异构图对比学习
机器学习
2025-01-16 v1 社会与信息网络
摘要
异构图预训练（HGP）在 various 领域展现出惊人的性能。然而，真实世界异构图（HGs）中的异质性问题长期被忽视。为填补这一研究空白，我们提出一种新型异构图对比学习框架，称为 HGMS，该框架利用连接强度和多视图自表达来学习同质性节点表示。具体而言，我们设计了一种异构边 dropping 增强策略，以增强增强视图的同质性。此外，我们引入一种多视图自表达学习方法来推断节点之间的同质性。在实际中，我们发展了两种方法来求解自表达矩阵。求解得到的自表达矩阵作为额外的增强视图，用于提供同质性信息并用于识别对比损失中的假负样本。广泛的实验结果表明，HGMS 在不同下游任务上的优势。
引用
@article{arxiv.2501.08538,
title = {Homophily-aware Heterogeneous Graph Contrastive Learning},
author = {Haosen Wang and Chenglong Shi and Can Xu and Surong Yan and Pan Tang},
journal= {arXiv preprint arXiv:2501.08538},
year = {2025}
}