基于负指标学习的图结构对比学习
机器学习
2025-05-16 v1
摘要
图结构对比学习 (GCL) 常因误导的负样本而受到影响，导致下游任务性能受损。现有方法通常依赖人类先验知识，仍可能导致 GCL 达到亚最优结果。本文提出一种新型负指标学习 (NML) 增强的图结构对比学习方法 (NML-GCL)。NML-GCL 采用可学习的负指标网络 (NMN) 构建负指标空间，在该空间中，基于锚节点到负样本的距离，可更好地区分误导负样本与真负样本。为克服 NML 缺乏显式监督信号的难题，我们提出一种双层优化目标的联合训练方案，隐式地利用自监督信号迭代优化编码器与负指标网络。通过坚实的理论分析和在广泛使用的基准数据集上的大量实验，我们验证了所提方法的优越性。
引用
@article{arxiv.2505.10307,
title = {Negative Metric Learning for Graphs},
author = {Yiyang Zhao and Chengpei Wu and Lilin Zhang and Ning Yang},
journal= {arXiv preprint arXiv:2505.10307},
year = {2025}
}