我们是否真的需要用于图表示的对比学习?
原文中文,约300字,阅读约需1分钟。发表于: 。对比学习在图学习领域吸引了大量研究兴趣,现有的图对比学习方法需要大规模和多样化的负样本来确保嵌入的质量,但这样会引入虚假的负样本,同时增加了计算负担和时间复杂度,为解决这些问题,提出了一种简单而有效的模型 GraphRank,通过引入基于排名的学习来测量相似度得分,成功地缓解了虚假负样本问题,并将时间复杂度从 O (N^2) 降低到 O (N),并在多个图任务上展开了广泛实验,证明...
GraphRank是一种图对比学习模型,通过基于排名的学习来测量相似度得分,成功地解决了虚假负样本问题,并将时间复杂度降低到O(N)。该模型在多个图任务上表现优异。