【图对比学习】Contrastive Multi-View Representation Learning on Graphs

图学习新进展：多视图对比表示与应用解析
原创 已于 2022-10-23 10:58:39 修改 · 437 阅读 · 1 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#学习

于 2022-10-23 10:56:06 首次发布
本文探讨了最新的Contrastive Multi-View Representation Learning on Graphs方法，涵盖了图对比学习的前沿技术如NCL、SimGRACE和ClusterSCL，展示了在实际应用中的实例和重要性。
【论文阅读】MVGRL：Contrastive Multi-View Representation Learning on Graphs
cziun的博客
08-06 5425
图上的对比多视图表示学习摘要 摘要
论文阅读--Contrastive Multi-View Representation Learning on Graphs
Danger的博客
02-03 2870
论文阅读--Contrastive Multi-View Representation Learning on Graphs
对比学习深度解析：让AI学会“物以类聚，人以群分“
最新发布
weixin_51241407的博客
10-09 928
想象你在教一个孩子认识动物：传统监督学习的方式： 对比学习的方式： 这就是**对比学习（Contrastive Learning）**的核心思想：在过去5年中，对比学习彻底改变了无监督学习和半监督学习的格局，催生了SimCLR、MoCo、CLIP等突破性工作。今天，让我们深入理解这个强大的技术。问题：什么是好的特征表示？糟糕的特征空间： 理想的特征空间： 数学表达： 1.2 正样本对与负样本对 对比学习的关键概念：正样本对（Positive Pair）： 负样本对（Negativ
图对比学习入门 Contrastive Learning on Graph
热门推荐
YoHu人家的博客
11-21 2万+
对比学习作为近两年的深度学习界的一大宠儿，受到了广大研究人员的青睐。而图学习因为图可以用于描述生活中广泛出现的非欧式数据，具有广大的应用前景。本文从对比学习入手，再介绍图对比学习模型，以及近年的一些有意思的模型。 目录对比学习(Contrastive Learning)Gelato Bet （冰淇淋赌注）与何凯明组的MoCo模型监督学习vs自监督学习生成式学习与对比学习对比学习的工作方式对比学习范例从DIM(Deep InfoMax)到DGI(Deep Graph InfoMax)Deep InfoMax（
论文详解：Contrastive Multi-View Representation Learning on Graphs
Patricia886的博客
03-17 4532
论文详解：Contrastive Multi-View Representation Learning on Graphs文章介绍研究背景自监督学习对比学习模型框架数据增强采样编码节点表示图表示训练总结 文章介绍 这篇文章发表在ICML2020，介绍了一种通过对比图的结构视图来学习节点和图表征的无监督方法。文章设计了一种编码结构，可以分别实现节点分类和图分类，并在经典数据集中取得了最先进的结果。 研究背景 目前深度学习通过神经网络端到端的解决方案，在很多领域得到了广泛应用。 但是传统的卷积神经网络只能处理
ICML 20： MVGRL Contrastive Multi-View Representation Learning on Graphs
qq_40926715的博客
10-12 1088
Difusion SSL graph MVGRL ppr
Contrastive Multi-View Representation Learning on Graphs
12-20
在《Contrastive Multi-View Representation Learning on Graphs》这篇论文中，作者Kaveh Hassani和Amir Hosein Khasahmadi提出了一个自我监督的方法，用于学习图结构中的节点和图级别的表示。这种方法通过对比图的...
Contrastive Multi-View Representation Learning on Graphs阅读笔记
m0_37525990的博客
03-22 1343
Contrastive Multi-View Representation Learning on Graphs 在图上用最大化互信息MI来学习表示，主要延伸GraphInfoMax 和SimSLR，又有孪生网路的结构又用了对比互信息。 最大化从图的不同结构视图编码的表示之间的MI来引入自监督方法来训练图编码器。 观点 将视图数量增加到两个以上不会提高性能，就用两个对比就行 通过对比来自一阶邻居的编码和图扩散这两个视图，可以实现最佳性能 跨视图对比节点和图的编码能够取得更好的结果 与分层图池化方法相比，简
Cross-view Graph Contrastive Representation Learning on Partially Aligned Multi-view Data
dugking的博客
04-01 379
Basic Information: Title: Cross-view Graph Contrastive Representation Learning on Partially Aligned Multi-view Data （基于交叉视图图形对齐学习的局部对齐多视图数据学习） Authors: Yiming Wang, Dongxia Chang, Zhiqiang Fu, Jie Wen, Yao Zhao Affiliation: Yiming Wang - Xiamen Universi
图对比学习
qq_42690797的博客
10-31 1525
图对比学习简介
Awesome-Graph-Contrastive-Learning:图对比学习方法的集合
04-12
很棒的图对比学习 图对比学习方法的集合。 论文参考及实施 InfoMax 2020年 通过图形互信息最大化（WWW）进行图形表示学习 作者：彭震，黄文兵，罗敏楠，郑庆华，于蓉，徐挺阳，黄俊洲 InfoGraph：通过互信息最大化（ICLR）进行无监督和半监督的图形级表示学习 作者：孙凡云，乔丹·霍夫曼，维卡斯·维尔玛，唐健 2019年 深度图InfoMax（ICLR） 作者：PetarVeličković，William Fedus，William L. Hamilton，PietroLiò，Yoshua Bengio和R Devon Hjelm GNN预训练 2020年 GCC：用于图形神经网络预训练（KDD）的图形对比编码 作者：邱介中，陈其斌，董玉晓，张静，杨红霞，丁铭，王宽三，唐洁 [代码] 具有增强功能的图对比学习（NeurIPS） 作者：尤宇宁，陈天龙，隋永
Graph Contrastive Learning 图对比学习GCL
m0_51448653的博客
10-12 2129
一般意义上，图对比学习是一种针对图数据的自监督学习算法。对给定的大量无标注图数据，图对比学习算法旨在训练出一个图编码器，目前一般指图神经网络（Graph Neural Network, GNN）。由这个 GNN 编码得到的图表示向量，可以很好地保留图数据的特性，并进一步在无监督、半监督、迁移学习以及鲁棒性测试等实验设置下进行测试，并应用于社交网络、蛋白质交互网络、分子结构、学术引用网络等多个场景中。随机采样一批（batch）图；对每一个图进行两次随机的数据增强（如删除若干条边（edge）），增强后。
图对比学习综述
cccjp1999的博客
02-25 340
传统图数据分析采用监督学习框架，通过人为特征提取或端到端图深度学习模型将图数据作为输入，经过训练后，挖掘图数据中的有效信息，输出预测结果。不依赖于人工标注的自监督学习正在成为图深度学习的趋势。图对比学习期望学到一个编码模型，使得相似的节点（图）经过编码模型后得到相似的表示，不相似的节点（图）得到差异较大的表示。现有的方法可以总结成一个同一的框架，首先定义正负例并利用正例生成器和负例生成器分别得到正负样本。最后设计一个将正负样本表示区分开的损失函数，进行参数优化。
图对比学习的应用（NCL，SimGRACE，ClusterSCL）
nakaizura
05-04 5756
博主以往已经整理过图神经网络用于推荐系统，整理过对比学习用于推荐系统。 图神经网络用于推荐系统问题（PinSage，EGES，SR-GNN） 图神经网络用于推荐系统问题（NGCF，LightGCN） 图神经网络用于推荐系统问题（IMP-GCN，LR-GCN） 图神经网络用于推荐系统问题（SURGE，GMCF，TASRec，MixGCF） 对比学习用于推荐系统问题（SSL，S^3-Rec，SGL，DHCN，SEMI，MMCLR） 自监督学习用于推荐系统问题综述 而图+对比学习结合的趋势也算较为明显。本期先
【阅读笔记】图对比学习 GNN+CL
Amber_7422的博客
03-27 1770
🎯来源：https://mp.weixin.qq.com/s/X7gxlcY-PaQ97MiEJmKfbg 对给定的大量无标注图数据，图对比学习算法旨在训练出一个图编码器，目前一般指图神经网络（Graph Neural Network, GNN）。由这个 GNN 编码得到的图表示向量，可以很好地保留图数据的特性。 Graph Contrastive Learning with Augmentations. NeurIPS 2020. 算法步骤： 1. 随机采样一批（batch）图 2. 对..
图对比学习，用一个简单的例子概括
我的博客
08-13 437
m表示margin的意思是一个bias，损失函数在这当然是越小越好，梯度更新的方向是朝损失函数减少的方向进行的。因此d_AB - d_AC + m
[论文分享] DGI： 图对比学习：局部-全局对比，最大化互信息
m0_50826544的博客
03-20 1694
基于局部-全局互信息最大化以及infoNCE损失的图对比学习算法
# 论文阅读笔记26：图对比学习
mohen_777的博客
07-14 2067
这次阅读的两篇论文是图对比学习相关的内容，虽然我对图对比学习不是很感兴趣，但是因为下周组会要讲这两篇论文，就顺便拿出来看一看了，正好之前CS231N里也稍微了解了一点对比学习相关的东西，就当是开开眼了。两篇论文分别是2021IJCAI上的《》和2021WWW上的《
Multi-scale contrastive learning for video temporal grounding
05-15
好的，我现在需要处理用户关于多模态大模型中多尺度对比学习在视频时间定位中的应用的问题。首先，我得理解用户的具体需求。用户提到的“视频时间定位”应该是指根据文本或音频等模态的查询，在视频中确定特定事件...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值