新的S2-DiGCL框架推动有向图对比学习发展

研究人员推出S2-DiGCL，一个旨在增强有向图对比学习的新框架。与之前主要关注无向图的方法不同，S2-DiGCL整合了对现实世界网络至关重要的方向信息。该框架采用双空间视角，利用磁拉普拉斯扰动进行自适应边调制，并采用基于路径的子图增强策略来捕捉不对称性。在七个真实世界数据集上的实验表明，S2-DiGCL在节点分类和链接预测方面取得了最先进的性能。 AI

影响 增强了对有向图的表示学习，有望改进社交网络和推荐系统中的应用。

排序理由 关于图对比学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• Gotit.pub
• Hugging Face
• IArxiv
• S2-DiGCL
• ScienceCast
• Xunkai Li

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →