局部加权图对比学习方法

针对假硬阴性样本，设计局部加权策略以提升节点表示学习效果。

Liu, Xin · Qian, Biao · Haipeng, Liu · 郭丹 · Wang, Yang · 汪萌

IEEE Transactions on Circuits and Systems for Video Technology 2024

参数信息

对比方法基准

6

技术优势

找准假硬阴性

通过计算表示相似度，从一阶邻居中选出假硬阴性；对二阶邻居，则利用与锚点共同的一阶节点传递的信息相似性来识别。

加权校准

对找出的假硬阴性赋予较小权重，降低其对对比损失的负面影响，从而提升节点表示质量。

应用场景

• 图神经网络自监督学习：提升自监督图对比学习的表示质量，减少假阴性干扰。
• 图表示学习：学习更准确的节点表示，用于下游分类与链接预测。
• 图数据挖掘：提供更鲁棒的图嵌入，支撑图数据挖掘任务。