随笔分类 -  图神经网络

1 2 3 下一页
Model-Contrastive Federated Learning
该文被密码保护。
posted @ 2022-07-04 15:43 owo_owo 阅读(0) 评论(0) 推荐(0)
Rumor Detection on Social Media with Graph Adversarial Contrastive Learning
该文被密码保护。
posted @ 2022-06-19 21:14 owo_owo 阅读(0) 评论(0) 推荐(0)
JGCL: Joint Self-Supervised and Supervised Graph Contrastive Learning
该文被密码保护。
posted @ 2022-06-16 10:12 owo_owo 阅读(0) 评论(0) 推荐(0)
Strongly Augmented Contrastive Clustering
该文被密码保护。
posted @ 2022-06-14 09:45 owo_owo 阅读(0) 评论(0) 推荐(0)
MSR: Making Self-supervised learning Robust to Aggressive Augmentations
该文被密码保护。
posted @ 2022-06-13 11:33 owo_owo 阅读(1) 评论(1) 推荐(1)
Sub-graph Contrast for Scalable Self-Supervised Graph Representation Learning
摘要：Sub-graph Contrast for Scalable Self-Supervised Graph Representation Learning 动机 图表示学习最近引起了很多关注。由于有限的计算和内存成本，现有的以完整图数据为基础的图神经网络不可扩展。因此，在大规模图数据中捕获丰富的信息 阅读全文
posted @ 2022-06-01 21:40 owo_owo 阅读(318) 评论(1) 推荐(2)
Contrastive and Generative Graph Convolutional Networks for Graph-based Semi-Supervised Learning
摘要：动机 现有的基于图的方法并没有直接解决 SSL 的核心问题，即监督不足，因此它们的性能仍然非常有限。 基于图的半监督学习（SSL ）旨在通过图将少数标记数据的标签转移到剩余的大量未标记数据。作为最流行的基于图的 SSL 方法之一 贡献 考虑到特征空间中数据点的相似性提供了原始的监督信号，使用最近兴起 阅读全文
posted @ 2022-05-30 22:34 owo_owo 阅读(162) 评论(1) 推荐(1)
SAIL: Self-Augmented Graph Contrastive Learning
该文被密码保护。
posted @ 2022-05-25 21:17 owo_owo 阅读(1) 评论(1) 推荐(1)
Model-Contrastive Learning for Backdoor Defense
该文被密码保护。
posted @ 2022-05-16 11:10 owo_owo 阅读(1) 评论(1) 推荐(1)
无监督-Graph Representation Learning via Contrasting Cluster Assignments
该文被密码保护。
posted @ 2022-01-10 17:10 owo_owo 阅读(3) 评论(1) 推荐(1)
Graph Representation Learning via Graphical Mutual Information Maximization
该文被密码保护。
posted @ 2022-01-06 11:50 owo_owo 阅读(2) 评论(1) 推荐(1)
自监督-CAGNN: Cluster-Aware Graph Neural Networks for Unsupervised Graph Representation Learning
该文被密码保护。
posted @ 2022-01-03 17:01 owo_owo 阅读(1) 评论(1) 推荐(1)
自监督-Graph-Based Neural Network Models with Multiple Self-Supervised Auxiliary Tasks
该文被密码保护。
posted @ 2022-01-02 23:10 owo_owo 阅读(1) 评论(1) 推荐(1)
图自监督综述-Graph Self-Supervised Learning: A Survey
该文被密码保护。
posted @ 2021-12-30 11:42 owo_owo 阅读(1) 评论(1) 推荐(1)
无监督: Node Embedding using Mutual Information and Self-Supervision based Bi-level Aggregation
该文被密码保护。
posted @ 2021-12-27 22:15 owo_owo 阅读(3) 评论(1) 推荐(1)
自监督-Self-Supervised Graph Learning with-Proximity-based Views and Channel Contrast
摘要：动机 图神经网络使用邻域据级作为核心, 导致邻居节点之间的特征平滑, 虽然在个预测任务中取得成功, 但这种凡是无法扑获远距离节点的相似性, 而对于扑获远距离相似性对于高质量的学习非常重要. GNN 的假设是相似的节点应该有连接并且他们属于同一类的, 通过邻域据级进行局部特征平滑, 这些模型倾向于生成 阅读全文
posted @ 2021-12-27 11:41 owo_owo 阅读(206) 评论(1) 推荐(1)
自监督-How to find your friendly neighborhood: Graph Attention Design with Self-Supervision
摘要：动机 当图存在噪声的时候, 图注意力网络不总是有效的 贡献 提出了两种 GAT 的改进 并且结合边预测的节点作为自监督训练的任务进行训练 技术 符号 对于一个图 \(\mathcal{G}(V,E)\), \(N\) 是节点的数量, \(F^l\) 是第 \(l\) 层的特征, 图注意力层就是将一个 阅读全文
posted @ 2021-12-26 15:22 owo_owo 阅读(475) 评论(1) 推荐(1)
自监督-Self-supervised Learning on Graphs:Deep Insights and New Directions
摘要：动机 图数据于图像或者文本数据不同, 图像或者文本时属于欧式数据且都是服从独立同分布; 而对于图数据而言, 它是非欧式数据, 并且图中的节点相互连接表示着他们独立同分布的 贡献 探究了图上的自监督任务, 具体来说, 图有多种潜在的代理任务; 因此, 了解 SSL 在什么时候和为什么适用于 GNN, 阅读全文
posted @ 2021-12-22 21:52 owo_owo 阅读(664) 评论(1) 推荐(1)
GRAPH-BERT: Only Attention is Needed for Learning Graph Representations
摘要：动机 在当前的主流的图神经网络中过度依赖边的连接, 导致产生了假死问题, 过平滑问题和图的内在互联行阻止了图的并行化. 贡献 提出了一种新的图训练模型 Graph-BERT, 该模型表示学习不依赖于图的连接所以有效的解决假死问题, 当然该模型训练会采样无连接子图(目标节点以及它的上下文), 比现有的 阅读全文
posted @ 2021-12-20 23:01 owo_owo 阅读(428) 评论(1) 推荐(1)
半监督- Distance-wise Graph Contrastive Learning
摘要：标签: 对比学习、图神经网络、半监督 动机 在现有的对比学习方法中都存在一个共同的问题, 忽略了任务信息在图节点间不均匀分布, 当 GNN 在学习中, 任务信息的传播在有标签的节点通过边传到无标签的节点, 导致了任务信息在图中没有均匀的分布, 使得模型学习节点嵌入的时候随着到标签节点距离的增加而衰减 阅读全文
posted @ 2021-12-20 10:39 owo_owo 阅读(257) 评论(1) 推荐(1)

1 2 3 下一页