LOHA: 低通与高通视图间的直接图谱对比学习
机器学习
2025-01-07 v1
摘要
谱图神经网络能有效处理不同同质性水平的图，其中低通滤波器挖掘特征平滑性，高通滤波器捕捉差异。当这些不同的滤波器自然形成自监督学习的两个对立视图时，同一节点对应视图间的共性尚未被探索，导致性能次优。本文提出一个简单而有效的自监督对比学习框架LOHA，通过拥抱“多样性中的和谐”来弥补这一空白。LOHA并非单纯最大化这两个不同视图间的差异（这可能导致特征分离），而是将来自两个视图的图信号传播视为复合特征，从而协调多样性。具体而言，提出一种名为谱信号趋势的新型高维特征作为复合特征的基础，该特征相对不受滤波器变化的影响，仅关注原始特征差异。在9个不同同质性水平的真实世界数据集上，LOHA相比亚军模型平均性能提升2.8%。值得注意的是，LOHA在多个数据集上甚至超越了全监督模型，这凸显了LOHA在提升谱图神经网络对不同图结构有效性方面的潜力。
引用
@article{arxiv.2501.02969,
title = {LOHA: Direct Graph Spectral Contrastive Learning Between Low-pass and High-pass Views},
author = {Ziyun Zou and Yinghui Jiang and Lian Shen and Juan Liu and Xiangrong Liu},
journal= {arXiv preprint arXiv:2501.02969},
year = {2025}
}
备注
Accepted at AAAI2025