论文研读：Label Contrastive Coding based Graph NeuralNetwork for Graph Classification

最新推荐文章于 2025-11-04 21:29:23 发布

原创

最新推荐文章于 2025-11-04 21:29:23 发布 · 852 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #深度学习 #大数据

本文提出基于标签对比编码的图神经网络（LCGNN），利用标签对比损失实现监督式对比学习。该网络引入动态标签存储库和动量更新编码器，结合分类损失，增强实例级类内聚合性和类间可分性。在8个基准图数据集上验证，7个实现SOTA性能。

基于标签对比损失，设计了一种基于标签对比编码的图分类网络，实现了监督式的对比学习。

之前学习的基于对比学习的数据都是无标签的，这个是有标签的，监督式的对比学习。

本文的主要贡献如下：

（1）提出了一种基于标签对比编码的图神经网络（LCGNN），从而使用更具判别能力的信息强化监督式的 GNN。

（2）标签对比损失将对比学习扩展到了监督学习环境下，其中我们可以引入标签信息，从而保证类内的聚合性和类间的可分性。

（3）提出了动量更新图编码器和动态标签存储库来实现监督式的对比学习。

Abstract

在各种各样的应用领域中，图分类都是一个重要的研究课题。为了学习一个图分类模型，目前被最为广泛使用的监督式分量是使用输出层的表征和分类损失（例如，交叉熵损失加上 softmax 或 Margin loss）。事实上，实例之间的判别式信息粒度更细，这有利于图分类任务。为了更有效、更全面地利用标签信息，本文提出了一种新的基于标签对比编码的图神经网络（LCGNN）。LCGNN 仍然利用分类损失来保证类的可判别性。同时，LCGNN 利用自监督学习中提出的标签对比损失来促进实例级的类内聚合性和类间可分性。为了实现对比学习，LCGNN 引入了动态标签存储库和动量更新编码器。

Introduction

GNNS旨在将节点转换为低维特征，以保留图结构信息和属性[34]。当将GNNS应用于图分类时，标准的方法是为图中的所有节点生成特征，然后将所有这些节点特征汇总为整个图的表示，例如使用一个简单的求和或在节点特征集[31]上运行的神经网络。对于整个图的表示，通常使用监督组件来实现图分类的目的。最终输出层和分类损失(例如，交叉熵损失和softmax或边际损失)是许多现有gnn中最常用的监督组件[29,28,32,6]。这个监督组件关注类的可鉴别性，而忽略了实例级的鉴别表示。最近学习更强表示来服务于分类任务的一个趋势是用尽可能多的判别信息来强化模型[4]。明确地说，考虑了类内聚合性和类间可分性[14]的图表示在图分类任务中更有效。

受最近的自监督学习