Augmentation de graphe conçue artificiellement, qui peut détruire la topologie du graphe d'origine, tandis que les nœuds adjacents sont considérés comme des nœuds négatifs et donc éloignés de l'ancre. Cependant, cela contredit l’hypothèse d’homogénéité du réseau, c’est-à-dire que les nœuds connectés appartiennent généralement à la même classe et doivent être proches les uns des autres. Cet article propose une méthode GCL automatique de bout en bout, appelée NCLA, qui applique l'apprentissage contrastif voisin à l'augmentation de graphes apprenables .
plan
L'apprentissage automatique de plusieurs vues augmentées de graphiques avec une topologie adaptative via un mécanisme d'attention graphique multi-têtes peut être compatible avec divers ensembles de données graphiques sans nécessiter de connaissances préalables du domaine.
De plus, une perte contrastive voisine permettant plusieurs signaux positifs par ancre est conçue .
Des expériences approfondies montrent que NCLA produit des performances de classification de nœuds de pointe sur GCL auto-supervisé lorsque les étiquettes sont très limitées, dépassant même le GCL supervisé.
Introduction de l'article : AAAI | Apprentissage par comparaison de voisins 2023 basé sur l'augmentation de graphiques apprenables