通过图消息增强统一图对比学习
机器学习
2024-01-09 v1 计算机视觉与模式识别
摘要
图对比学习通常先进行图数据增强（GDA），然后采用对比学习流程来训练图神经网络。众所周知，GDA 是图对比学习中的一个重要问题。近年来，人们开发了多种 GDA 方法，主要涉及丢弃或扰动边、节点、节点属性和边属性。然而，据我们所知，目前仍缺乏一种适用于不同类型图数据的通用且有效的增强器。为了解决这个问题，本文首先引入了图数据的图消息表示。在此基础上，我们提出了一种新颖的图消息增强（GMA）方法，这是一种用于重构许多现有 GDA 的通用方案。所提出的统一 GMA 不仅为理解许多现有 GDA 提供了新的视角，而且为图自监督学习任务提供了一种通用且更有效的图数据增强方法。此外，GMA 引入了一种简单的方式来实现混合增强器，这种增强器对于图像来说很自然，但对于图来说通常具有挑战性。基于所提出的 GMA，我们随后提出了一种统一的图对比学习框架，称为图消息对比学习（GMCL），该框架采用属性引导的通用 GMA 进行图对比学习。在众多图学习任务上的实验证明了所提出的 GMA 和 GMCL 方法的有效性和优势。
引用
@article{arxiv.2401.03638,
title = {Unifying Graph Contrastive Learning via Graph Message Augmentation},
author = {Ziyan Zhang and Bo Jiang and Jin Tang and Bin Luo},
journal= {arXiv preprint arXiv:2401.03638},
year = {2024}
}