图上的关系自监督学习
机器学习
2022-09-05 v2 人工智能
摘要
过去几年中，图表示学习（GRL）已成为分析图结构数据的有力策略。近来，GRL 方法通过采用为图像表示学习而开发的自监督学习方法，展现出了有前景的结果。尽管取得了成功，现有的 GRL 方法往往忽视图像与图之间的一个固有区别，即图像被假设为独立同分布，而图在数据实例（即节点）之间展现出关系信息。为充分利用图结构数据固有的关系信息，我们提出了一种新颖的 GRL 方法，称为 RGRL，它从图自身生成的关系信息中学习。RGRL 学习节点表示，使得节点间的关系对数据增强保持不变，即增强不变关系，这允许节点表示发生变化，只要节点间关系得以保持。通过从全局和局部两个视角考虑节点间关系，RGRL 克服了先前对比与非对比方法的局限，兼得二者之长。在十四个基准数据集上针对多种下游任务的广泛实验证明了 RGRL 相对于最先进基线的优越性。RGRL 的源代码可在 https://github.com/Namkyeong/RGRL 获取。
引用
@article{arxiv.2208.10493,
title = {Relational Self-Supervised Learning on Graphs},
author = {Namkyeong Lee and Dongmin Hyun and Junseok Lee and Chanyoung Park},
journal= {arXiv preprint arXiv:2208.10493},
year = {2022}
}
备注
CIKM 2022