简单网络图对比学习
机器学习
2026-01-16 v1 人工智能
摘要
对比学习方法的有效性在图学习领域已被广泛认可，尤其是在图数据通常缺乏标签或难以标注的背景下。然而，这些方法在节点分类任务中的应用仍面临一系列挑战。首先，现有的数据增强技术在生成新视图时可能导致与原始视图存在显著差异，这可能削弱视图的相关性并影响模型训练效率。其次，绝大多数现有的图对比学习算法依赖于使用大量负样本。为了解决上述挑战，本研究提出了一种新颖的节点分类对比学习方法，称为简单网络图对比学习（SNGCL）。具体来说，SNGCL采用叠加的多层拉普拉斯平滑滤波器作为数据处理步骤，分别获取全局和局部特征平滑矩阵，从而将其传入孪生网络的目标网络和在线网络，最后采用改进的三重重组损失函数来拉近类内距离并拉远类间距离。我们将SNGCL与节点分类任务中的最先进模型进行了比较，实验结果表明SNGCL在大多数任务中具有很强的竞争力。
引用
@article{arxiv.2601.10150,
title = {Simple Network Graph Comparative Learning},
author = {Qiang Yu and Xinran Cheng and Shiqiang Xu and Chuanyi Liu},
journal= {arXiv preprint arXiv:2601.10150},
year = {2026}
}
备注
10 pages, 5 figures