BriefGPT - AI 论文速递
·
基于对比学习和极小极大熵的图上半监督领域适应
💡
原文中文，约200字，阅读约需1分钟。
📝
内容提要
本文介绍了一种名为GraphCL的自我监督学习框架，用于学习节点表示。该框架通过最大化同一节点的本地子图的内在特征和连接结构的两个随机扰动版本的表示之间的相似性来学习节点嵌入，并使用对比学习损失来最大化它们之间的一致性。
🎯
关键要点
-
提出了一种名为GraphCL的自我监督学习框架。
-
GraphCL通过最大化同一节点的本地子图的两个随机扰动版本的表示之间的相似性来学习节点嵌入。
-
使用对比学习损失来最大化节点表示之间的一致性。
-
该方法在节点分类基准测试中显著优于现有的无监督学习技术。
➡️
