BriefGPT - AI 论文速递
·
DeepRicci：自我监督的图结构特征协同细化，缓解过度压缩
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了一种无监督图补全学习框架，通过自监督学习改善了在具有特征和结构缺失的图上的任务性能。通过分离特征重建和结构重建，并设计个性化模型来避免节点特征和结构不匹配。引入双对比损失以提供更多监督信号，并将重建的节点特征和结构应用于节点分类任务。实验证明了该方法的有效性。
🎯
关键要点
- 提出了一种无监督图补全学习（UGCL）框架。
- 通过自监督学习改善 GNN 变体在特征和结构缺失图上的任务性能。
- 分离特征重建和结构重建，设计个性化模型以避免不匹配。
- 引入双对比损失以最大化节点表示的互信息，提供更多监督信号。
- 重建的节点特征和结构可应用于节点分类任务。
- 在八个数据集、三种 GNN 变体和五种缺失率上进行了大量实验，验证了方法的有效性。
➡️
