Local Structure-aware Graph Contrastive Representation Learning
Yangzhou University(扬州大学);University of Shanghai for Science and Technology(上海理工大学)
本文提出局部结构感知的图对比表示学习方法LS-GCL,通过构建语义子图并结合局部与全局视角的多级对比学习,在节点分类和链路预测任务上取得优于现有方法的性能。
2023-08-07 cs.AI cs.LG
Graph Contrastive Learning with Cohesive Subgraph Awareness
Key Lab of High Confidence Software Technologies (Peking University)(高可信软件技术重点实验室(北京大学));School of Computer Science, Peking University(北京大学计算机学院);School of Information Management and Engineering, Shanghai University of Finance and Economics(上海财经大学信息管理与工程学院);National Key Laboratory for Novel Software Technology, Nanjing University(南京大学计算机软件新技术国家重点实验室);School of Artificial Intelligence, Nanjing University(南京大学人工智能学院)
本文提出统一框架CTAug,通过在图增强和图编码器学习中融入凝聚子图感知,显著提升图对比学习性能,尤其适用于高度数图。
2024-02-21 cs.AI cs.LG
Subgraph Gaussian Embedding Contrast for Self-Supervised Graph Representation Learning
LTCI, Télécom Paris, Institut Polytechnique de Paris, Palaiseau, France(LTCI,Telecom Paris,巴黎理工学院,Palaiseau,法国)
针对自监督图表示学习需求,提出子图高斯嵌入对比方法,通过高斯空间映射和最优传输距离增强对比学习鲁棒性,在多基准上取得优于或媲美现有最优方法的性能,为相关方法设计提供新思路。
2025-06-12 cs.AI cs.LG
Heterogeneous Subgraph Network with Prompt Learning for Interpretable Depression Detection on Social Media
School of Computer Science and Technology, Guangdong University of Technology(广东工业大学计算机科学与技术学院)
针对社交媒体抑郁症早期检测缺乏可解释性、忽略数据异构性与用户全局交互的问题,提出基于提示学习的异构子图网络(HSNPL),结合对比学习与双重注意力机制建模异构信息及用户交互,显著提升检测性能。
2024-07-12 cs.AI cs.SI
Beyond AlphaEarth: Toward Human-Centered Geospatial Foundation Models via POI-Guided Contrastive Learning
本文提出AETHER框架,通过POI引导的多模态对齐,将AlphaEarth与以人为中心的城市分析结合,提升地理空间表示的可解释性与语言可访问性。
2026-03-13 cs.AI cs.CY cs.LG
Relation-dependent Contrastive Learning with Cluster Sampling for Inductive Relation Prediction
Sun Yat-sen University(中山大学)
关系预测是为知识图谱补全而设计的任务,其目的是预测实体之间缺失的关系。最近基于子图的归纳关系预测模型受到越来越多的关注,它可以基于候选三元组周围提取的子图来预测未见过实体的关系。然而,它们并不是完全归纳的,因为它们不能预测看不见的关系。此外,它们没有充分重视关系的作用,因为它们只依赖于模型来学习参数化的关系嵌入,这导致对长尾关系的预测不准确。在本文中,我们引入了基于聚类的对比学习(ReCoLe)来进行归纳关系预测,它采用了一种基于聚类算法的采样方法来适应对比学习,以增强关系的作用并提高对未知关系的泛化能力。ReCoLe不是直接学习关系的嵌入,而是为每个关系分配一个预训练的基于GNN的编码器,以加强关系的影响。基于GNN的编码器通过对比学习进行优化,从而确保在长尾关系上具有令人满意的性能。此外,聚类抽样方法使ReCoLe能够处理看不见的关系和实体。实验结果表明,ReCoLe在常用的归纳数据集上优于最先进的方法。
2022-11-22 cs.AI cs.CL cs.LG
Towards Graph Self-Supervised Learning with Contrastive Adjusted Zooming
Monash University(莫纳什大学);Griffith University(格里菲斯大学);Beihang University(北京航空航天大学);Zhejiang Normal University(浙江师范大学);Alibaba Group(阿里巴巴集团)
图表示学习(GRL)是图结构数据分析的关键。然而,大多数现有的图神经网络(GNN)严重依赖于标签信息,这通常是昂贵的,以获得在现实世界中。虽然一些现有的作品旨在以无监督的方式有效地学习图表示,但它们受到一定的限制,例如严重依赖单调对比度和有限的可扩展性。为了克服上述问题,我们引入了一种新的自监督图表示学习算法,通过图对比调整缩放,即G-Zoom,学习节点表示,利用所提出的调整缩放方案。具体来说,这种机制使G-Zoom能够从多个尺度的图中探索和提取自我监督信号:微观(即,节点级),中间(即,邻域级),以及宏(即,子图级)。首先,我们通过两种不同的图增强生成输入图的两个增强视图。然后,我们建立了三个不同的对比度在上述三个尺度上逐步,从节点,邻居,子图的水平,在那里我们最大限度地提高跨尺度的图表示之间的协议。虽然我们可以从微观和宏观角度的给定图形中提取有价值的线索,但相邻级别的对比度为G-Zoom提供了基于我们调整的缩放方案的可定制选项的能力,以手动选择介于微观和宏观角度之间的最佳视点,以更好地理解图形数据。此外,为了使我们的模型可扩展到大型图,我们采用了并行图扩散方法来将模型训练与图大小解耦。我们在真实世界的数据集上进行了大量的实验,结果表明我们提出的模型始终优于最先进的方法。
2022-11-21 cs.AI cs.LG
Smoothed Graph Contrastive Learning via Seamless Proximity Integration
École polytechnique, IP Paris(巴黎综合理工学院、巴黎理工学院)
针对传统图对比学习对负样本同等处理的问题,提出SGCL模型,利用增强图几何结构注入邻近度信息调整损失惩罚,并结合子图划分策略提升可扩展性,在大规模基准上表现优于现有基线。
2024-11-26 cs.AI cs.LG
Machine Unlearning in Contrastive Learning
本文针对对比学习中机器遗忘研究不足的问题,提出一种基于梯度约束的轻量方法,仅需少量训练轮次并识别待遗忘数据,即可有效消除数据影响,且适用于对比与监督学习模型。
2024-05-12 cs.AI cs.LG
Spectral Augmentations for Graph Contrastive Learning
Huawei(华为);Tianjin University(天津大学);McGill(麦吉尔大学)
对比学习已经成为一种在有监督或无监督的情况下学习表征的首要方法。最近的研究表明,它的效用图表示学习的预训练。尽管取得了成功,但对如何设计有效的图增强的理解仍然是不完整的,这些图增强可以捕获许多不同类型的下游图所共有的结构属性。我们提出了一组动机良好的图变换操作,通过图谱分析,以提供一个银行的候选人时,构建增强图对比目标,使对比学习,以捕捉有用的结构表示从预训练图数据集。首先,我们提出了一个频谱图裁剪增强,涉及过滤节点应用阈值的领导拉普拉斯特征向量的特征值。我们的第二个新的增强重新排序的图形频率分量的结构拉普拉斯导出的位置图嵌入。此外,我们介绍了一种方法,导致改进的本地子图的意见,通过执行对齐通过全球随机游走嵌入。我们的实验结果表明,与最先进的图对比学习方法相比,域外图数据传输得到了一致的改进,从而揭示了如何设计一个能够学习不同图类型共同结构属性的图学习器。
2023-02-06 cs.AI cs.LG
PharmacoMatch: Efficient 3D Pharmacophore Screening via Neural Subgraph Matching
University of Vienna(维也纳大学);Faculty of Life Sciences, University of Vienna(维也纳大学生命科学学院)
针对3D药效团筛选在超大规模分子库中计算成本高的问题,提出基于神经子图匹配与对比学习的 PharmacoMatch,在零样本预筛选中实现显著加速并保持相当性能。
2025-03-14 cs.AI cs.LG q-bio.QM
Enhancing Sequential Recommendation with Graph Contrastive Learning
Shandong University(山东大学);Alibaba Group(阿里巴巴集团);Nanyang Technological University(南洋理工大学)
顺序推荐系统通过捕捉用户的动态行为模式来预测用户的下一次交互行为。现有的顺序推荐方法大多只利用单个交互序列的局部上下文信息,并仅基于项目预测损失来学习模型参数。因此,他们通常无法学习适当的序列表示。提出了一种新的推荐框架--图对比学习顺序推荐(GCL 4SR)。具体而言,GCL 4SR采用加权项目转换图(WITG),建立在所有用户的交互序列的基础上,提供全局上下文信息的每一个交互和削弱序列数据中的噪声信息。此外,GCL 4SR使用WITG的子图来增强每个交互序列的表示。还提出了两个辅助学习目标,以最大限度地提高由相同的交互序列在WITG上诱导的增强表示之间的一致性,并最小化由WITG上的全局上下文增强的表示与原始序列的局部表示之间的差异。在真实数据集上的大量实验表明,GCL 4SR始终优于最先进的顺序推荐方法。
2022-06-07 cs.AI cs.IR
Adversarial Curriculum Graph Contrastive Learning with Pair-wise Augmentation
City University of Hong Kong(香港城市大学);Shenzhen Research Institute of Big Data(深圳大数据研究院);Duke Kunshan University(昆山杜克大学);ByteDance Research(字节跳动研究院)
针对图对比学习中样本相似度难以控制的问题,提出ACGCL框架,利用成对增强生成可控相似度的样本并结合子图对比学习,通过对抗性课程训练克服稀疏性问题,在六个基准数据集上显著超越基线。
2024-02-16 cs.AI cs.LG
Revisiting Graph Autoencoders as Implicit Contrastive Learners
Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University(教育部多媒体可信感知与高效计算重点实验室,厦门大学);Coupang Shanghai China(Coupang上海);Sun Yat-sen University(中山大学);Nanyang Technological University(南洋理工大学)
本文通过对比学习视角重新审视图自编码器,揭示其隐式对比学习本质,并强调对比视图设计的关键作用,提出非对称子图视图作为重要设计维度。
2026-05-27 cs.AI cs.LG stat.ML
HiTeC: Hierarchical Contrastive Learning on Text-Attributed Hypergraph with Semantic-Aware Augmentation
The University of New South Wales(新南威尔士大学);University of Wollongong(沃拉彭大学)
提出HiTeC框架,通过两阶段层次对比学习,结合结构感知文本编码预训练和语义感知增强,解决文本属性超图中文本与拓扑关联不足、随机增强噪声及长程依赖捕获问题。
2026-05-25 cs.AI cs.LG
Graph Contrastive Learning on Multi-label Classification for Recommendations
Jinan University(暨南大学);University of Illinois Chicago(伊利诺伊大学芝加哥分校)
针对传统图推荐方法随数据量增长性能下降的问题,提出含主、子双训练阶段的多标签分类图对比学习模型MCGCL,在真实数据集上优于现有最优方法,可提升推荐系统效果。
2025-01-13 cs.AI cs.IR
SeBot: Structural Entropy Guided Multi-View Contrastive Learning for Social Bot Detection
University of Science and Technology of China(中国科学技术大学);Beihang University(北京航空航天大学);Shantou University(汕头大学)
针对图消息传递导致的表示同质化与对抗脆弱性问题,本文提出 SeBot,利用结构熵优化图层次结构、跨同质性编码并进行多视图对比与多任务学习,显著提升社交机器人检测性能。
2024-05-18 cs.AI cs.SI
Label-invariant Augmentation for Semi-Supervised Graph Classification
Brandeis University(布兰迪斯大学)
近年来,基于对比度的增强技术在计算机视觉领域掀起了一个新的高潮,旋转、裁剪、翻转等操作与专用算法相结合,极大地提高了模型的泛化能力和鲁棒性。在这种趋势下,一些开创性的尝试将类似的想法用于图形数据。然而,与图像不同,在不改变图的性质的情况下设计合理的增强要困难得多。虽然令人兴奋,但目前的图形对比学习并没有达到视觉对比学习那样有前途的性能。我们推测,图对比学习的当前性能可能受到违反标签不变扩增假设的限制。有鉴于此,我们提出了一个标签不变的增强图结构的数据,以解决这一挑战。与节点/边修改和子图提取不同,我们在表示空间中进行增强,并在最困难的方向生成增强样本,同时保持增强数据的标签与原始样本相同。在半监督的情况下,我们证明了我们提出的方法优于经典的图神经网络的方法和最近的图对比学习的8个基准图结构的数据,其次是几个深入的实验,以进一步探索标签不变的增强在几个方面。
2022-05-19 cs.AI cs.CV cs.LG
Improving Graph Neural Network Representations of Logical Formulae with Subgraph Pooling
IBM T.J. Watson Research Center(IBM托马斯·J·沃森研究中心);IBM Research(IBM研究院);MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森人工智能实验室);Northwestern University(西北大学)
深度学习与自动定理证明集成的最新进展集中在将逻辑公式表示为深度学习系统的输入。特别是,人们越来越关注结构感知神经方法,以适应逻辑表达式的底层图形表示。虽然比字符和标记级方法更有效,但基于图的方法往往会进行代表性的权衡,限制了它们捕捉输入的关键结构属性的能力。在这项工作中,我们提出了一种新的方法嵌入逻辑公式,旨在克服现有方法的代表性限制。我们的架构适用于不同表现力的逻辑;例如,一阶和高阶逻辑。我们在两个标准数据集上评估了我们的方法,并表明所提出的架构在前提选择和证明步骤分类方面都达到了最先进的性能。
2020-06-05 cs.AI cs.LG cs.LO
Metapath- and Entity-aware Graph Neural Network for Recommendation
Technische Universität München(慕尼黑工业大学);Mercateo(Mercateo公司);fortiss GmbH(fortiss有限公司);Ludwig-Maximilians-University(慕尼黑大学)
在图神经网络(GNNs)中,消息传递迭代地聚合来自其直接邻居的节点信息,而忽略了多跳节点连接的顺序性质。这种顺序节点连接例如,metapaths,捕获下游任务的关键见解。具体地说,在推荐系统(RS)中,忽视这些见解会导致协作信号的不充分蒸馏。在本文中,我们采用协作子图(CSG)和元路径,形成元路径感知的子图,明确捕捉图结构中的顺序语义。我们提出了Meta \textbf{P}路径和\textbf{E}实体- \textbf{A} ware \textbf{G}和\textbf{N} eural \textbf{N} etwork(PEAGNN),它训练多层GNN在这样的子图上执行元路径感知的信息聚合。然后使用注意力机制融合来自不同元路径的聚合信息。最后,PEAGNN给出了节点和子图的表示,可以用来训练MLP来预测目标用户-项目对的得分。为了利用CSG的局部结构,我们提出了实体意识,作为节点嵌入的对比正则化。此外,PEAGNN可以与GAT,GCN和GraphSage等突出层相结合。我们的实证评估表明,我们提出的技术优于竞争基准的几个数据集的推荐任务。进一步的分析表明,PEAGNN还可以从给定的元路径集合中学习有意义的元路径组合。
2021-04-02 cs.AI cs.LG
Joint-Centric Dual Contrastive Alignment with Structure-Preserving and Information-Balanced Regularization
Dalhousie University(达尔豪斯大学)
本文提出HILBERT框架,通过跨模态注意力和自注意力池化学习文档级音频文本表示,采用双对比目标和辅助正则化提升跨模态对齐效果,实现长序列语义表示学习。
2026-04-17 cs.AI cs.LG
MemAdapter: Fast Alignment across Agent Memory Paradigms via Generative Subgraph Retrieval
The University of Manchester(曼彻斯特大学);Stanford University(斯坦福大学);Imperial College London(伦敦帝国理工学院);National Institute of Advanced Industrial Science(国家先进工业科学与技术研究院)
MemAdapter通过生成子图检索实现跨代理记忆范式的快速对齐,提升记忆检索灵活性并降低对齐成本,实验显示其性能优于现有系统。
2026-02-09 cs.AI cs.CL cs.LG
Spatio-Temporal Contrastive Self-Supervised Learning for POI-level Crowd Flow Inference
Shanghai Jiao Tong University(上海交通大学);JD Intelligent Cities Research(京东智能城市研究院);JD iCity, JD Technology(京东科技京东智能城市)
针对POI级客流推断中数据质量低、标注少等挑战,提出自监督对比学习框架CSST,通过构建空间邻接图并利用交换预测从无标签数据预训练,再结合精确数据微调,在真实数据集上显著优于从头训练的模型。
2023-09-12 cs.AI cs.LG
Hierarchical Topology Isomorphism Expertise Embedded Graph Contrastive Learning
Institute of Software Chinese Academy of Sciences(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学);Tsinghua University(清华大学)
提出层次拓扑同构专家知识嵌入的图对比学习方法,通过知识蒸馏增强GCL模型对图及子图拓扑同构的识别,即插即用,理论证明更紧的贝叶斯误差上界,实验显示性能提升。
2023-12-25 cs.AI cs.LG
Subgraph-Aware Training of Language Models for Knowledge Graph Completion Using Structure-Aware Contrastive Learning
Hanyang University(汉阳大学)
本文提出子图感知训练框架SATKGC,通过子图感知小批量采样和结构感知对比学习,将知识图谱的拓扑结构归纳偏置全面纳入预训练语言模型微调,有效提升了知识图谱补全的准确度。
2026-10-14 cs.AI cs.CL
Contrastive Matrix Completion with Denoising and Augmented Graph Views for Robust Recommendation
针对现有基于GNN的推荐方法对噪声边敏感、易过拟合的问题,提出结合去噪与增强图视图的对比矩阵补全方法MCCL,通过双视图表示与互学习提升泛化性,在精度和排序指标上均有显著改进。
2025-06-12 cs.AI cs.IR cs.NE
Temporal Feature Alignment in Contrastive Self-Supervised Learning for Human Activity Recognition
Maastricht University(马斯特里赫特大学)
人体活动自动识别一直是以人为中心的普适计算领域的研究热点。在过去的几年中,已经提出了大量基于深度神经网络的监督学习算法,以使用各种模态来解决这个问题。虽然每种模式都有其自身的局限性,但都存在一个共同的挑战。也就是说,监督学习需要大量的注释数据,这实际上是很难收集的。在本文中,我们受益于自监督学习范式(SSL),通常用于从未标记的数据中学习深度特征表示。此外,我们升级了一个对比SSL框架,即Simplified,广泛应用于各种应用程序中,通过引入一个时间特征对齐过程的人类活动识别。具体来说,我们建议在潜在空间中集成动态时间规整(DTW)算法,以强制在时间维度中对齐特征。已经进行了大量的实验,为单峰的情况下,惯性模态,以及在多模态设置使用惯性和骨架数据。根据所获得的结果,所提出的方法具有很大的潜力,在学习鲁棒的特征表示相比,最近的SSL基线,并明显优于监督模型在半监督学习。单峰情况的代码可通过以下链接获得:www.example.com。
2022-10-07 cs.AI cs.CV cs.MM
Global Concept Explanations for Graphs by Contrastive Learning
Institute of Theoretical Informatics, Karlsruhe Insitute of Technology, Kaiserstr. 12, 76131 Karlsruhe, Germany Institute of Nanotechnology, Karlsruhe Insitute of Technology, Kaiserstr. 12, 76131 Karlsruhe, Germany
提出从图神经网络预测中提取全局概念解释的方法,通过识别自解释Megan模型潜在空间中的密集簇并优化原型图,结合GPT-4生成假设,在合成与真实分子任务中验证了其恢复结构规则和经验法则的能力。
2024-04-25 cs.AI cs.LG
PEARL: Path-Entity Aligned Relational Learning with Contextual Subgraphs for Inductive Knowledge Graph Completion
School of Mathematics, Shandong University(山东大学数学学院);School of Physical and Mathematical Sciences, Nanyang Technological University(南洋理工大学物理与数学科学学院);Data Science Institute, Shandong University(山东大学数据科学研究院)
PEARL是一种结合上下文子图建模、LLM引导路径检索与双视图对比学习的归纳式知识图谱补全框架,在WN18RR等三个基准数据集上取得最优平均Hits@10,验证了其核心组件的有效性。
2026-09-03 cs.AI
Automorphic Equivalence-aware Graph Neural Network
Tsinghua University(清华大学);Paradigm Inc.(第四范式公司);HKUST(香港科技大学)
区分图中节点的自守等价在许多科学领域中起着至关重要的作用,例如,计算生物学家和社会网络分析。然而,现有的图神经网络(GNNs)未能捕捉到这样一个重要的属性。为了使GNN意识到自守等价,我们首先引入了这个概念的本地化变体-自我中心自守等价(Ego-AE)。然后,我们设计了一个新的GNN变体,即,GRAPE,它使用可学习的AE感知聚合器来明确区分每个节点的邻居的自我AE与各种子图模板的帮助。虽然子图模板的设计可能是困难的,我们进一步提出了一个遗传算法,自动搜索他们从图形数据。此外,我们从理论上证明,GRAPE是表达在生成不同的表示与不同的自我AE功能的节点,这填补了现有的GNN变体的根本差距。最后,我们在八个真实世界的图数据上实证验证了我们的模型,包括社交网络,电子商务合作购买网络和引文网络,并表明它始终优于现有的GNN。源代码在https://github.com/tsinghua-fib-lab/GRAPE上公开。
2021-11-09 cs.AI cs.LG
GMN4AD: Graph Matching Network for Alzheimer's Disease Diagnosis with Test-Time Domain Adaptation using Multi-centered Structure Magnetic Resonance Imaging
Department of Computer Science, Kennesaw State University(肯纳邦大学计算机科学系);Department of Information Technology, Kennesaw State University(肯纳邦大学信息技术系);School of Data Science and Analytics, Kennesaw State University(肯纳邦大学数据科学与分析学院);Department of Applied Computing, Michigan Technological University(密歇根技术大学应用计算系)
提出GMN4AD,利用图匹配网络建模异质脑图间关系,结合测试时域适应策略,在三个公共数据集上优于现有方法,实现鲁棒的AD诊断。
2026-06-17 cs.AI cs.CV eess.IV
Predict, Cluster, Refine: A Joint Embedding Predictive Self-Supervised Framework for Graph Representation Learning
Vellore Institute of Technology, India(维洛雷理工学院,印度)
针对图自监督学习的计算低效、依赖对比目标、表示坍塌等问题,提出无对比、抗坍塌的联合嵌入预测框架,结合GMM伪标签提升节点区分度,在基准上性能优于现有方法。
2025-09-03 cs.AI cs.LG cs.SI
SES: Bridging the Gap Between Explainability and Prediction of Graph Neural Networks
School of Internet(互联网学院);Anhui University(安徽大学);Amazon Research(亚马逊研究院);University of California Irvine(加州大学欧文分校)
提出自解释且自监督的图神经网络SES,通过可解释训练和增强预测学习两个过程,利用全局掩码生成器生成结构与特征掩码,并基于掩码构建正负样本对进行对比学习,从而弥合可解释性与预测性能之间的差距。
2024-07-25 cs.AI cs.LG
Heterogeneous Subgraph Transformer for Fake News Detection
School of Computing, Macquarie University(麦考瑞大学计算学院);School of Information Management, Wuhan University(武汉大学信息管理学院)
本文提出异构子图Transformer(HeteroSGT)用于假新闻检测,通过构建异构图并利用预训练语言模型和带重启的随机游走提取子图,在五个真实数据集上优于基线模型。
2024-04-19 cs.AI cs.CL
Explainable Graph Neural Networks for Observation Impact Analysis in Atmospheric State Estimation
Korea Institute of Atmospheric Prediction Systems(韩国大气预测系统研究所);The Catholic University of Korea(韩国天主教大学)
本文提出结合图神经网络和基于梯度的可解释性方法,通过构建气象图并提取$k$-跳子图来估计大气状态,量化不同观测的重要性,从而优化天气预报中的观测数据。
2024-03-26 cs.AI cs.CY
Enhancing Homophily-Heterophily Separation: Relation-Aware Learning in Heterogeneous Graphs
School of Computer Science and Technology(计算机科学与技术学院);Xidian University(西安电子科技大学)
针对异构图中节点异配性建模的挑战,提出对比学习框架RASH,通过双异构超图编码与关系重要性动态构建同配/异配图,并利用多关系对比损失最大化互信息,有效解决了异质性与异配性双重难题。
2025-06-26 cs.AI cs.SI
Human-centered explanation does not fit all: The interplay of sociotechnical, cognitive, and individual factors in the effect AI explanations in algorithmic decision-making
University of Pittsburgh(匹兹堡大学);Northeastern University(东北大学);Syracuse University(Syracuse大学)
本研究探讨了AI辅助决策中解释效果的影响因素,发现对比性和选择性解释的偏好受认知负荷、参与度及社会技术语境等个体与情境差异的制约,呼吁AI界面设计应适应这些差异。
2025-05-02 cs.AI cs.CY cs.HC
Augmentation-Free Self-Supervised Learning on Graphs
KAIST(韩国科学技术院)
受最近应用于图像的自监督方法的成功的启发,图结构数据的自监督学习已经看到了快速增长,特别是以基于增强的对比方法为中心。然而,我们认为,如果没有精心设计的增强技术,图上的增强可能会表现得任意,因为图的底层语义可以急剧变化。因此,现有的基于增强的方法的性能高度依赖于增强方案的选择,即,与增强相关的超参数。在本文中,我们提出了一种新的增强自由图的自监督学习框架,命名为AFGRL。具体来说,我们通过发现与图共享局部结构信息和全局语义的节点来生成图的替代视图。对各种节点级任务进行了广泛的实验,即,在各种真实世界数据集上的节点分类、聚类和相似性搜索证明了AFGRL的优越性。AFGRL的源代码可在https://github.com/Namkyeong/AFGRL上获得。
2021-12-07 cs.AI cs.LG
H2CGL: Modeling Dynamics of Citation Network for Impact Prediction
East China Normal University(华东师范大学);Zhejiang University(浙江大学);Alibaba Group(阿里巴巴集团);Fudan University(复旦大学);Wuhan University(武汉大学)
针对现有模型忽视引文网络动态的问题,提出H2CGL图神经网络,通过年度层次异质图与对比学习捕捉动态,显著提升论文影响力预测性能。
2023-10-15 cs.AI cs.DL
Toward Reasoning on the Boundary: A Mixup-based Approach for Graph Anomaly Detection
ANOMIX通过混合生成硬负样本提升图异常检测的推理能力,有效识别边界异常。
2026-02-28 cs.AI cs.LG
A Recipe for Causal Graph Regression: Confounding Effects Revisited
Hong Kong Baptist University(香港 Baptist 大学);Hong Kong University of Science(香港科学大学);Zhejiang University(浙江大学)
本文针对被忽视的因果图回归问题,通过对比学习将分类场景下的因果干预技术推广到回归任务,重新设计混杂效应处理方式,并在图OOD基准上验证了方法的有效性。
2025-07-01 cs.AI cs.LG stat.ME
DyG2Vec: Efficient Representation Learning for Dynamic Graphs
McGill University(麦吉尔大学)
提出DyG2Vec,一种基于注意力编码器和非对比SSL的动态图表示学习框架,在7个基准数据集上以更低训练成本显著提升未来链路预测性能。
2024-01-08 cs.AI cs.LG cs.SI
GraphMatch: Fusing Language and Graph Representations in a Dynamic Two-Sided Work Marketplace
Upwork Inc.(Upwork公司)
GraphMatch通过融合预训练语言模型与图神经网络,解决动态双侧工作市场中的匹配问题,实现高效推荐。
2025-12-02 cs.AI cs.IR cs.LG
Joint Edge-Model Sparse Learning is Provably Efficient for Graph Neural Networks
Rensselaer Polytechnic Institute(伦斯勒理工学院);IBM Research(IBM研究院);Michigan State University(密歇根州立大学)
由于训练大规模图神经网络(GNN)的显著计算挑战,已经利用各种稀疏学习技术来减少存储器和存储成本。示例包括对子图进行采样以减少数据聚合量的\textit{graph sparsification},以及修剪神经网络以减少可训练权重的数量的\textit{model sparsification}。尽管在降低训练成本的同时保持测试准确性方面取得了经验性的成功,但GNN稀疏学习的理论泛化分析仍然难以捉摸。据我们所知,本文提供了第一个理论表征的联合边缘模型稀疏学习的样本复杂度和收敛速度的角度来看,在实现零泛化误差。分析证明了对重要节点进行采样和对最小值的神经元进行修剪可以在不影响测试精度的情况下降低样本复杂度,提高收敛性。虽然分析集中在对数据具有结构约束的两层GNN上,但这些见解适用于更一般的设置,并通过合成和实际引用数据集来证明。
2023-02-06 cs.AI cs.LG eess.SP
Subgraph Retrieval Enhanced by Graph-Text Alignment for Commonsense Question Answering
School of Intelligence Science and Technology, Peking University(北京大学智能科学与技术学院);Ant Group(蚂蚁集团);School of Artificial Intelligence, Beijing Normal University(北京师范大学人工智能学院)
本文提出SEPTA框架,通过BFS风格子图采样策略避免信息丢失,并采用双向对比学习进行图文本对齐,有效增强了子图检索与知识融合,在五个数据集上验证了其有效性和鲁棒性。
2024-11-11 cs.AI cs.CL cs.LG
Knowledge Graph-Augmented Language Models for Knowledge-Grounded Dialogue Generation
KAIST(韩国科学技术院);AITRICS
针对知识接地对话生成中知识利用不可靠的问题,本文提出SURGE框架,通过子图检索、词嵌入扰动和对比学习,使生成回复与知识图谱事实保持一致,并在两个数据集上验证了其生成高质量知识忠实对话的有效性。
2023-05-30 cs.AI cs.CL cs.LG
Mathematical Knowledge Graph-Driven Framework for Equation-Based Predictive and Reliable Additive Manufacturing
Gachon University(嘉泉大学)
本研究提出基于数学知识图谱的框架,结合大语言模型与增材制造知识图谱,实现可靠的知识提取和外推建模,提升预测的准确性和物理一致性。
2026-01-08 cs.AI
Framework for Grounding Healthcare LLMs in a Causal Knowledge Graph: A Cardiovascular Example Pilot
本研究提出以因果知识图谱为核心的医疗LLM评估框架,在心血管试点中验证其有效性,发现集成条件C4在因果推理相关指标上表现最优,未基于图的C1原始干预准确性最高但缺乏因果与证据基础。
2026-08-25 cs.AI cs.CL cs.IR