(2)graph diffusion networks (3)learning by mutual information maximization 3. method 我们的方法通过最大化node representations of one view and graph representations of another view and vice versa之间的 MI 来学习node 和 graph representations,并且相较于比较global or multi-scale encodings在node和graph的...
【ICML 2020】Contrastive Multi-View Representation Learning on Graphs 论文简读 katrina 浙江大学 软件工程博士在读26 人赞同了该文章 这是一篇图对比学习的论文,虽然是2020年的论文,但是跑了一下其实比现在很多模型都稳定而且效果更好。 【背景和动机】 在计算机视觉领域,多视图的表示学习方法取得了很不错的...
Hassani K, Khasahmadi A H. Contrastive multi-view representation learning on graphs[C]//International Conference on Machine Learning. PMLR, 2020: 4116-4126. 摘要导读 通过对比图的结构视图,本文引入了一种学习节点和图级别表示的自监督方法。与视图表示学习不相同的是,对于图结构的对比学习来讲,增加对比视...
Intent-aware Recommendation via Disentangled Graph Contrastive Learning论文阅读笔记 Abstract 存在的问题: 如何学习复杂和多样的意图,特别是当用户的行为在现实中通常不充分时 是不同的行为具有不同的意图分布,因此如何建立它们之间的关系,以建立一个更可解释的推荐系统。 本文方法: 在本文中,我们提出了通过解耦...
自监督-Contrastive Multi-View Representation Learning on Graphs 标签:自监督,图神经网络 动机 GNN 大多数需要依赖于任务的标签来学习丰富的表示,尽管如此,与视频、图像、文本和音频等更常见形式相比,给图打上标签是一项挑战 最近关于通过最大化
Papers about Graph Contrastive Learning and Graph Self-supervised Learning on Graphs with Heterophily self-supervised-learningcontrastive-learningheterophilygraph-contrastive-learninggraph-self-supervised-learningheterophily-graph UpdatedNov 2, 2023
为了改善现有的图对比学习方法在图增强和图对比损失两方面的缺陷，该论文提出了基于可学习图增强的邻居监督图对比学习模型（Neighbor Contrastive Learning on Learnable Graph Augmentation, NCLA）[1]。NCLA 的模型框架如 Fig.1 所示。首先， NCLA 采用多头图注意力机制自动学习 K 个具有不同自适应拓扑邻接矩阵的增强...
GraphCL Graph Contrastive Learning with Augmentations (GraphCL), NIPS 2020 其中从node和edge的角度可以分别做augmentation。比如通过随机删除一些节点,或者对边进行随机的变化(perturbation)。 GCC GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training, KDD 2020 ...
2.2 Contrastive Learning 2.3 Graph Pre-Training 3 GRAPH CONTRASTIVE CODING (GCC) 3.1 The GNN Pre-Training Problem 3.2 GCC Pre-Training 3.3 GCC Fine-Tuning 4 EXPERIMENTS 4.1 Pre-Training 4.2 Downstream Task Evaluation 4.2.1 Node Classification ...
2.1 unsupervised representation learning on graphs random walks, graph kernels, graph autoencoders, contrastive methods. 2.2 graph diffusion networks(GDN) 2.3 learning by mutual information maximization 3. method our approach learns node and graph representations bymaximizing MI between node representations...