类感知表示优化框架

即插即用提升分类

引入类表示引导图表示学习，在不显著增加计算成本的前提下提升图分类的类可分性与泛化性。

Jiaxing, Xu · Jinjie, Ni · Ke, Yiping

Information Sciences 2024

参数信息

验证的GNN骨干网络数量

11

验证使用的基准数据集数量

9

技术优势

类可分性更好

通过注入类表示来引导图表示学习，使得不同类别的图表示在特征空间中分得更开。

不显著增加计算成本

框架即插即用，可与任意GNN骨干网络结合，且计算开销增加有限。

泛化上界更紧

通过VC维分析从理论上证明了CARE比其GNN骨干网络具有更好的泛化上界。

应用场景

• 图分类：提升图分类任务中模型的类别区分能力和泛化性能。
• 图神经网络：为现有GNN模型提供即插即用的表示增强模块。
• 表示学习：通过类表示引导，学习更具可分性的图表示。
• 迁移学习：类表示可跨图实例迁移，增强模型泛化能力。