详细内容或原文请订阅后点击阅览
生成和对比图表示学习
图表上的自我监督学习（SSL）生成节点和图表表示（即嵌入），可用于下游任务，例如节点分类，节点群集和链接预测。 Graph SSL在有限或没有标记数据的方案中特别有用。现有的SSL方法主要遵循对比度或生成范式，在不同的任务中均出色：对比方法通常在分类任务上表现良好，而生成方法通常在链接预测中表现出色。在本文中，我们提出了一个集成的图形SSL的新颖架构……
来源:Apple机器学习研究图表上的自我监督学习（SSL）生成节点和图表表示（即嵌入），可用于下游任务，例如节点分类，节点群集和链接预测。 Graph SSL在有限或没有标记数据的方案中特别有用。现有的SSL方法主要遵循对比度或生成范式，在不同的任务中均出色：对比方法通常在分类任务上表现良好，而生成方法通常在链接预测中表现出色。在本文中，我们介绍了图形SSL的新型体系结构，该架构整合了两种方法的优势。我们的框架介绍了社区感知的节点级对比度学习，提供了更强大，更有效的正面和负节点对的生成，以及图形对比度学习以捕获全球语义信息。此外，我们采用了一种全面的增强策略，该策略结合了特征掩盖，节点扰动和边缘扰动，从而实现了强大而多样的表示学习。通过合并这些增强功能，我们的模型可以在多个任务中实现出色的性能，包括节点分类，聚类和链接预测。对开放基准数据集的评估表明，我们的模型优于最先进的方法，根据任务和数据集的规定，达到0.23％-2.01％的性能提升。