1.【KDD2021】Self-supervised Heterogeneous Graph Neural Network with Co-contrastive Learning

地址：http://www.shichuan.org/doc/112.pdf

作者：北京邮电大学石川教授团队

导读：在本文中，作者研究了异质图卷积神经网络的自监督学习问题，并提出了一种新的协同对比学习机制HeCo。与传统的只注重正负样本对比的对比学习不同，HeCo采用了跨视角对比机制。本文提出了HIN的两个视图（网络模式视图和元路径视图）来学习节点嵌入，以便同时捕获局部和高阶结构。在此基础上，提出了跨视角对比学习以及一种视角掩蔽机制，该机制能够从两个视角中提取积极嵌入和消极嵌入。这使这两个视图能够协作地相互监督，并最终了解高级节点嵌入。此外，HeCo的两个扩展设计用于生成更难的高质量负样本，这进一步提高了HeCo的性能。在各种真实网络上进行的大量实验表明，所提出的方法的性能优于现有技术。

2.【IJCAI2021】CuCo: Graph Representation with Curriculum Contrastive Learning

地址：http://www.shichuan.org/doc/111.pdf

作者：北京邮电大学石川教授团队

导读：近年来，基于对比学习的图级表示学习受到昂贵标记数据的限制，引起了人们的广泛关注。然而，这些方法主要集中在对正样本的图增强，而对负样本的影响研究较少。本文研究了负样本对学习图级表征的影响，提出了一种新的基于自监督图级表征的对比学习框架CuCo。作者引入了四种图增强技术来获取正样本和负样本，并利用图神经网络来学习它们的表示。然后，提出了一个评分函数，将负样本从易到难进行排序，并在每个训练过程中自动选择负样本。在15个图形分类真实数据集上产生了令人鼓舞的结果。

内容中包含的图片若涉及版权问题，请及时与我们联系删除