ICML2024提出社区不变图对比学习框架,增强图表示学习鲁棒性,GitHub代码已开源。
原文标题:【ICML2024】社区不变图对比学习
原文作者:数据派THU
冷月清谈:
本文介绍了一种名为“社区不变图对比学习”(CI-GCL)的新框架,旨在解决当前图对比学习(GCL)方法中存在的泛化能力有限和对噪声敏感的问题。
当前GCL方法主要依赖随机图增强,这可能会破坏重要的图信息,例如社区结构。此外,现有的基于知识的增强方法通常只关注拓扑或节点特征,导致鲁棒性不足。
CI-GCL框架的核心思想是在可学习的图增强过程中保持图社区结构不变性。通过最大化光谱变化,该框架将拓扑和特征增强统一起来,从而提高模型的鲁棒性。
实验结果表明,在21个基准数据集上,CI-GCL框架相较于现有方法具有显著优势。该框架的代码已在GitHub上公开发布。
当前GCL方法主要依赖随机图增强,这可能会破坏重要的图信息,例如社区结构。此外,现有的基于知识的增强方法通常只关注拓扑或节点特征,导致鲁棒性不足。
CI-GCL框架的核心思想是在可学习的图增强过程中保持图社区结构不变性。通过最大化光谱变化,该框架将拓扑和特征增强统一起来,从而提高模型的鲁棒性。
实验结果表明,在21个基准数据集上,CI-GCL框架相较于现有方法具有显著优势。该框架的代码已在GitHub上公开发布。
怜星夜思:
1、文章提到的“最大化光谱变化”具体指什么?如何实现?
2、保持社区结构不变性对图对比学习有什么好处?
3、除了文中提到的方法,还有哪些方法可以用于可学习的图增强?
2、保持社区结构不变性对图对比学习有什么好处?
3、除了文中提到的方法,还有哪些方法可以用于可学习的图增强?
原文内容

来源:专知本文为论文介绍,建议阅读5分钟本研究探讨了图社区在图增强中的作用,并发现了其对可学习图增强的关键优势。
近年来,图增强在图对比学习(GCL)中受到了广泛关注,以学习具有良好泛化性的节点/图表示。然而,主流的GCL方法常常偏爱随机破坏图进行增强,这种方法的泛化能力有限,并且不可避免地会破坏高级图信息,即图社区。此外,当前基于知识的图增强方法只能关注拓扑或节点特征之一,导致模型对各种类型的噪声缺乏鲁棒性。为了解决这些限制,本研究探讨了图社区在图增强中的作用,并发现了其对可学习图增强的关键优势。基于我们的观察,我们提出了一个社区不变的GCL框架,以在可学习的图增强过程中保持图社区结构。通过最大化光谱变化,该框架统一了拓扑和特征增强的约束,增强了模型的鲁棒性。在21个基准数据集上的实证证据展示了我们框架的独特优势。代码已在Github上发布[https://github.com/CI-GCL.git]。