机构名称：
¥ 1.0
图对比学习 (GCL) 已出现，用于从对比视图中学习可泛化的表示。然而，它仍处于起步阶段，存在两个问题：1）通过数据增强改变图结构来生成对比视图可能会误导消息传递方案，因为这种图改变操作会剥夺内在的图结构信息，尤其是有向图中的方向结构；2）由于 GCL 通常使用带有手动挑选参数的预定义对比视图，因此它没有充分利用数据增强提供的对比信息，导致模型学习的结构信息不完整。在本文中，我们设计了一种称为拉普拉斯扰动的有向图数据增强方法，并从理论上分析了它如何在不改变有向图结构的情况下提供对比信息。此外，我们提出了一个有向图对比学习框架，该框架从拉普拉斯扰动生成的所有可能的对比视图中动态学习。然后我们使用多任务课程学习来训练它，以从多个易到难的对比视图中逐步学习。我们通过实证研究证明，我们的模型能够比其他 GCL 模型保留更多有向图的结构特征，因为它能够提供完整的对比信息。在各种基准测试中的实验表明，我们优于最先进的方法。
有向图对比学习
主要关键词
相关文件推荐
