题目：Enhancing Hyperbolic Graph Embeddings via Contrastive Learning

链接：https://arxiv.org/abs/2201.08554

近年来，双曲空间模型作为半监督图表示学习的一种方式而受到广泛关注。不同于欧式空间，双曲空间的容量随离远点的距离呈指数级增长，故有更充裕的空间用于表征嵌入。目前已有很多研究工作致力于设计双曲神经网络上的各种运算操作。然而，双曲空间本身独特的几何特性并没有得到充分地探索。此外，大量未标记样本所携带的丰富信息也没有得到很好利用。受到最近自监督学习的启发，作者试图利用对比学习的优势来增强双曲图模型的表示能力。

 

具体而言，作者提出了一种新的双曲空间图对比学习(Hyperbolic Graph Contrastive Learning, HGCL)框架，该框架通过多个双曲空间来学习节点表示，从而捕捉不同视图之间共享的隐含层次结构。

 

整体的流程如下：首先将输入图分别嵌入到两个双曲空间中，接下来用两个HGNN得到两个不同视角的节点表征，分别为h^\alpha和h^beta。损失函数包括两部分：

1）双曲空间对比损失函数：拉近语义相似样本的位置，同时推开不相关样本来增强所得的表征。

2)  下游任务损失函数：将学习到的表征进行解码，并根据实际任务（如，节点分类，链路预测）的监督损失函数。

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