MUSE：面向异配图的多视图对比学习
机器学习
2023-08-01 v1 社会与信息网络
摘要
近年来，自监督学习已成为解决传统GNN中标签依赖与泛化性能差等问题的一种有前景的方法。然而，现有的自监督方法在异配图上效果有限，因为其同配性假设导致相连节点具有相似的节点表示。在本工作中，我们提出一种面向异配图的多视图对比学习模型，即MUSE。具体而言，我们构建两个视图，分别通过增强对比学习的GNN来捕获中心节点及其邻域的信息。然后我们整合这两个视图的信息以融合节点表示。利用融合对比来增强融合节点表示的有效性。进一步，考虑到邻域上下文信息对信息融合的影响可能因不同中心节点而异，我们采用信息融合控制器在局部和全局层面建模节点-邻域相似性的多样性。最后，采用交替训练方案以确保无监督节点表示学习与信息融合控制器能够相互强化。我们在9个基准数据集上进行了大量实验以评估MUSE的性能。我们的结果表明MUSE在节点分类与聚类任务上均有效。
引用
@article{arxiv.2307.16026,
title = {MUSE: Multi-View Contrastive Learning for Heterophilic Graphs},
author = {Mengyi Yuan and Minjie Chen and Xiang Li},
journal= {arXiv preprint arXiv:2307.16026},
year = {2023}
}