基于 Kolmogorov-Arnold 网络的图对比学习——Khan-GCL
机器学习
2025-08-11 v2
摘要
图对比学习（GCL）已显示出在无标签数据上学习通用图表示的巨大潜力。然而，传统 GCL 方法面临两个关键局限：（1）基于多层感知机（MLP）的编码器受限的表达能力；（2）次优负样本要么来自随机增广未能提供有效的“硬负样本”，要么生成的硬负样本未能解决判别图数据所必需的语义区别问题。为此，我们提出 Khan-GCL，一种新框架将 Kolmogorov-Arnold 网络（KAN）集成到 GCL 编码器架构中，显著增强其表示能力。进一步，我们利用 KAN 系数参数中嵌入的丰富信息，开发两种新型关键特征识别技术，为每个图表示生成语义上有意义的硬负样本。这些战略构建的硬负样本通过强调图之间关键语义差异，指导编码器学习更具判别性的特征。广泛实验表明，我们的方法在多样数据集和任务上实现了与现有 GCL 方法相比的领先性能。
引用
@article{arxiv.2505.15103,
title = {Khan-GCL: Kolmogorov-Arnold Network Based Graph Contrastive Learning with Hard Negatives},
author = {Zihu Wang and Boxun Xu and Hejia Geng and Peng Li},
journal= {arXiv preprint arXiv:2505.15103},
year = {2025}
}
备注
Graph Contrastive Learning, Self-supervised Learning, Kolmogorov-Arnold Network, Representation Learning