基于分数阶神经扩散网络的简单图对比学习
机器学习
2025-04-25 v2
摘要
图对比学习（GCL）最近取得了进展，作为一种无监督图表示学习范式。GCL 方法可分为基于数据增强和无增强方法。前者依赖复杂的数据增强，而后者依赖于能够生成相同输入不同视图的编码器。这两种方法都可能需要负样本进行训练。本文引入一种基于图神经扩散模型的新型无增强 GCL 框架。具体而言，我们利用由分数微分方程（FDE）控制的可学习编码器。每个 FDE 由微分算子的阶数参数特征征。我们演示，通过变化这些参数，可产生能够为对比学习生成不同视图的可学习编码器，捕获局部或全局信息。我们的模型无需负样本即可进行训练，可应用于 homophilic 和 heterophilic 数据集。我们在 various 数据集上Demonstrate 其有效性，实现了 state-of-the-art performance。
引用
@article{arxiv.2504.16748,
title = {Simple Graph Contrastive Learning via Fractional-order Neural Diffusion Networks},
author = {Yanan Zhao and Feng Ji and Kai Zhao and Xuhao Li and Qiyu Kang and Wenfei Liang and Yahya Alkhatib and Xingchao Jian and Wee Peng Tay},
journal= {arXiv preprint arXiv:2504.16748},
year = {2025}
}
备注
Submitted to ICML