ANewPro

摘要： Abstract ​ 在图中生成对比视图比在图像中更具挑战性，因为我们对如何在不改变图标签的情况下显著增强图缺乏先验知识。我们认为，在GCL中，典型的数据增强技术（例如，边缘下降）不能产生足够不同的对比视图来过滤掉噪声。此外，以往的GCL方法采用了两个具有完全相同的神经结构和绑定参数的视图编码器，这 阅读全文

摘要： Abstract ​ 图对比学习（GCL）已经成为图表示学习的一种主导技术，它最大限度地提高了共享相同语义的成对图增强之间的互信息。不幸的是，由于图数据的多样性，在扩充过程中很难很好地保存语义。目前，GCL的数据扩充大致可分为三种不令人满意的方式。第一，可以通过试错法手动选择每个数据集的增强量。第二 阅读全文