融合局部与全局结构的自监督图级表示学习
机器学习
2021-06-09 v1
摘要
本文研究无监督/自监督整图表示学习，这在药物与材料发现中的分子性质预测等许多任务中至关重要。现有方法主要聚焦于保持不同图实例间的局部相似结构，却未能发现整个数据集的全局语义结构。本文提出一种称为局部实例与全局语义学习（GraphLoG）的统一框架，用于自监督整图表示学习。具体而言，除保持局部相似性外，GraphLoG 引入层次化原型来捕捉全局语义簇。进一步开发了高效的在线期望最大化（EM）算法用于模型学习。我们通过在大规模无标签图上预训练 GraphLoG 再在下游任务上微调来评估它。在化学与生物基准数据集上的大量实验证明了所提方法的有效性。
引用
@article{arxiv.2106.04113,
title = {Self-supervised Graph-level Representation Learning with Local and Global Structure},
author = {Minghao Xu and Hang Wang and Bingbing Ni and Hongyu Guo and Jian Tang},
journal= {arXiv preprint arXiv:2106.04113},
year = {2021}
}
备注
Accepted as Short Talk at International Conference on Machine Learning (ICML), 2021