图片

   图对比学习(GCL)利用图增强将图转换为不同的视图，并进一步训练图神经网络(GNN)，在图基准数据集上取得了相当大的成功。然而，在将现有的GCL方法直接应用于实际数据方面仍存在一些问题。首先，手工图增强不能在多个任务上产生一致的性能。第二，大多数真实世界的图数据呈现类不平衡分布，但现有的GCL方法并不能幸免于数据不平衡问题。因此，这项工作提出了一个称为共模态图对比学习(CM-GCL)的框架来自动生成对比对，并进一步学习未标记数据的平衡表示。具体地说，作者设计了基于丰富节点内容自动生成对比对(例如，节点-文本)的跨模态GCL。受修剪深度神经网络可以“忘记”少数样本这一事实的启发，作者自然地将网络修剪扩展到GCL框架，用于挖掘少数节点的信息。作者通过将相应的节点-文本对聚合到一起，并将不相关的节点-文本对相互远离，以不同的方式联合训练两个剪枝编码器(例如GNN和文本编码器)。同时，作者通过联合训练非修剪GNN和修剪GNN提出了模态内GCL，以确保具有相似属性特征的节点嵌入保持相近。最后，作者针对类不平衡节点分类的下游任务对GNN编码器进行了微调。大量的实验表明，CM-GCL模型显著优于最先进的基线模型，并在现实世界的图上学习到了更平衡的表示。

论文：https://openreview.net/pdf?id=f_kvHrM4Q0

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