无需数据增强的简单非对称图对比学习
机器学习
2024-02-27 v3 机器学习
摘要
图对比学习（GCL）在图结构数据的表示学习中展现出优越性能。尽管取得成功，多数现有 GCL 方法依赖预制图增强与同配性假设。因此，它们难以很好地泛化到异配图——其中相连节点可能具有不同类标签与相异特征。本文研究在同配与异配图上进行对比学习的问题。我们发现，仅考虑邻节点的非对称视图即可取得良好性能。所得简单算法，即图的非对称对比学习（GraphACL），易于实现，且不依赖图增强与同配性假设。我们提供理论与实证证据表明 GraphACL 能捕获一跳局部邻域信息与两跳同质性相似度，二者对建模异配图均十分重要。实验结果显示，简单的 GraphACL 在同配与异配图上显著优于最先进的图对比学习与自监督学习方法。GraphACL 的代码见 https://github.com/tengxiao1/GraphACL。
引用
@article{arxiv.2310.18884,
title = {Simple and Asymmetric Graph Contrastive Learning without Augmentations},
author = {Teng Xiao and Huaisheng Zhu and Zhengyu Chen and Suhang Wang},
journal= {arXiv preprint arXiv:2310.18884},
year = {2024}
}
备注
NeurIPS 2023 Main Track