在本研究中,我们探讨用户项目图的自监督学习,以提高GCNs推荐的准确性和鲁棒性。In this work, we explore self-supervised learning on useritem graph, so as to improve the accuracy and robustness of GCNs for recommendation. 其思想是在经典的有监督推荐任务的基础上增加一个辅助的自我监督任务,通过自我识别...
而self-supervised learning关注点在于恢复,他有标签,但是标签往往是自己预测的,比如我拿出一张照片anchor,将其做翻转得到x,那么这两个照片标签一样,再随机抽取一张照片y,他和anchor的标签视作不同,大概就是这个意思。 这篇文章的主要贡献,以及你能获得的东西主要有以下几部分 一个详细的和最新的回顾自监督学习的...
后一种方法有时被称为潜在图学习（latent graph learning），与前一种方法相比，它通常会产生更高的预...
在本综述中,我们扩展了最早出现在计算机视觉和自然语言处理领域的自监督学习,对现有的图自监督学习(Graph Self-supervised Learning,Graph SSL)技术进行了及时且全面的回顾。具体地,本文将现有的Graph SSL方法分为三类:对比式的、生成式的和预测式的。更重要的是,与其它许多只对已发表研究进行high-level summary的综述...
We present InfoMotif, a new semi-supervised, motif-regularized, learning framework over graphs. We overcome two key limitations of message passing in popular graph neural networks (GNNs): localization (a k-layer GNN cannot utilize features outside the k-hop neighborhood of the labeled training ...
其实self-supervised learning的最终的目的是获得更好的能够generalized的feature。我们希望看到的是通过self-...
3.节点表示容易收到噪声交互的影响。在本文中作者通过在用户-物品图上引入自监督学习来改善GCN在推荐系统上的准确率和鲁棒性,将其称为Self-supervised Graph Learning(SGL),并应用在LightGCN模型上。SGL是模型无关的,并通过辅助自监督任务来补充监督任务中的信息以达成上述目的。
Graph Self-Supervised Learning: A Survey 作者:Philip S. Yu等 主要工作: 对图自监督学习进行归类 总结了已有的图自监督学习的工作 提出了对后续的图自监督学习工作方向的展望 相较于已有的图自监督学习综述,他们的工作对这块分得更科学更细致 Introduction 部分 ...
【Arxiv-2021】【IEEE members/fellows】Graph Self-Supervised Learning: A Survey 核心要点 文章旨在对现有图神经网络的方法进行全面的总结和分类,并给出常用的数据集、评估基准、方法间的性能比较和开源代码链接。图的深度学习的热度与日俱增,但大多数工作集中在(半)监督学习上。对比标签的严重依赖导致模型泛化能力...
关键词:self-supervised, graph neural network, EEG 论文:Self-Supervised Graph Neural Networks for Improved Electroencephalographic Seizure Analysis 代码:https://github.com/tsy935/eeg-gnn-ssl 一句话总结 作者提出两种将EEG表示为图结构的方法,并采用一篇ICLR2018的DCGRU模型对该图结构数据进行时空相关性建...