实体
Graph Contrastive Learning
Graph Contrastive Learning
PulseAugur coverage of Graph Contrastive Learning — every cluster mentioning Graph Contrastive Learning across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新的SPGCL方法通过优化正样本增强图对比学习
研究人员开发了一种名为SPGCL的新方法来改进图对比学习（GCL）。他们发现，现有的GCL方法由于图编码器中的消息传递机制，常常无法有效地从正样本中学习。SPGCL旨在通过选择性地传播高能量特征并使用低能量特征进行更可靠的正样本采样来解决这个问题，从而在实验中获得更好的性能。
-
新框架通过自适应负采样调度增强图对比学习
研究人员推出 AdNGCL，一个旨在改进用于自监督表示学习的图对比学习 (GCL) 的新框架。该方法通过采用一种称为 HANS 的自适应调度方法，解决了静态负采样的局限性。HANS 根据负样本的信息量和计算成本动态调整其选择，从而优化了各种图数据集上的训练效率和性能。
-
新方法增强图表示学习对结构噪声的鲁棒性
研究人员推出了一种名为 Cheeger--Hodge 对比学习 (CHCL) 的新框架，旨在增强图表示学习的鲁棒性。传统方法在面对结构扰动时常常表现不佳，而 CHCL 通过对图数据不同视图中的稳定 Cheeger--Hodge 联合签名进行对齐来解决这一问题。该签名整合了连通性信息和高阶结构细节，从而产生更具韧性的图嵌入。实验表明，CHCL 在各种基准测试中显著提高了性能和泛化能力。