为什么在 图对比学习 中删除边通常优于添加边？
机器学习
2025-01-09 v4
摘要
图对比学习 (GCL) 已被广泛用作图表示学习的有效自监督学习方法。然而，如何应用充分且稳定的图增强来为对比学习生成合适的视图仍然是一个基本问题。删除边是 GCL 中的主要增强方法，而添加边由于其性能不稳定而非常见方法。据我们所知，尚无理论分析研究为何删除边通常优于添加边。为了回答这一问题，我们引入了一种新度量，即误差传递率 (EPR)，用于量化图对网络的拟合程度。受理论结论和正激励噪声思想的启发，我们提出了一种新的 GCL 算法——基于误差传递的图对比学习 (EPAGCL)，它同时使用添加边和删除边作为增强。具体而言，我们根据 EPR 导出的权重通过添加和删除边来生成视图。在各种真实数据集上进行了广泛的实验，以验证我们理论分析的正确性和所提出算法的有效性。我们的代码可在以下地址获取：https://github.com/hyzhang98/EPAGCL。
引用
@article{arxiv.2412.08128,
title = {Why Does Dropping Edges Usually Outperform Adding Edges in Graph Contrastive Learning?},
author = {Yanchen Xu and Siqi Huang and Hongyuan Zhang and Xuelong Li},
journal= {arXiv preprint arXiv:2412.08128},
year = {2025}
}
备注
Accepted by AAAI 2025