2024年3月10日
Augmentation-Free Self-Supervised Learning on Graphs论文阅读笔记
摘要： Abstract 我们认为，如果没有精心设计的增强技术，图上的扩充可能会任意的做出表现，因为图的底层语义会极大地变化。因此，现有的基于增强的方法的性能高度依赖于增强方案的选择，即与增强相关的超参数。在本文中，我们提出了一种新的无增强图自监督学习框架，即AFGRL。具体地说，我们发现通过与图共享局部结 阅读全文
posted @ 2024-03-10 23:43 ANewPro 阅读(55) 评论(0) 推荐(0)
Simsiam论文阅读笔记
摘要： Abstract Siamese网络已经成为最近各种无监督视觉表示学习模型的共同结构。这些模型最大限度地提高了一个图像的两个增强之间的相似性，在一定的条件下避免崩溃的解。在本文中，我们报告了令人惊讶的经验结果，简单的Siamese网络可以学习有意义的表示，即使不使用以下内容： (i)负样本对，（ii 阅读全文
posted @ 2024-03-10 10:39 ANewPro 阅读(220) 评论(0) 推荐(0)