BriefGPT - AI 论文速递
·
DropMix：更好的图形对比学习与更困难的负样本
💡
原文中文，约200字，阅读约需1分钟。
📝
内容提要
CGC是一种无监督图学习方法，基于对抗样本生成机制，避免False Negative问题，获得高质量的正负样本对。在多个数据集上与传统无监督学习方法和一些SOTA图对比学习方法相比，实现了令人满意的结果。
🎯
关键要点
- 提出了一种基于对抗样本生成机制的无监督图学习方法 CGC。
- CGC 方法能够获取高质量的正负样本对。
- CGC 避免了传统无监督学习方法中的 False Negative 问题。
- 在多个数据集上，CGC 与传统无监督学习方法和一些 SOTA 图对比学习方法相比，取得了令人满意的结果。
➡️
