3.2 Semi-supervised graph classification results
文章插圖
3.3 Algorithmic Performance
文章插圖
3.4 In-depth ExplorationNegative Pairs現有的圖對比學習方法將來自不同源樣本的增廣圖視為負對，并對這些負對采用實例級判別 。由于這些方法分離了 pre-train 階段和 fine-tuning 階段，因此負對包含了來自不同源樣本的增強樣本，但在下游任務中具有相同的類別 。
Figure 4(a) 顯示了我們在四個數據集上有負對和沒有負對的 GLA 的性能 ?？梢钥吹?，與沒有負對的默認設置相比，有負對的性能顯著下降，而負對在所有四個數據集上都表現一致 。與現有的圖對比方法不同，GLA 集成了預訓練階段和微調階段，其中以自監督的方式設計的負對不利于下游任務 。這一發現也與最近的[10,9]在視覺對比學習領域的研究結果相一致 。
文章插圖
4 Conclusion本文研究了圖的對比學習問題 。從現有的方法和訓練前的方法不同，我們提出了一種新的圖標簽不變增強（GLA）算法，該算法集成了訓練前和微調階段，通過擾動在表示空間中進行標簽不變增強 。具體來說 ， GLA首先檢查增廣表示是否服從標簽不變屬性，并從合格的樣本中選擇最困難的樣本 。通過這種方法，GLA在不生成任何原始圖的情況下實現了對比增強，也增加了模型的泛化 。在8個基準圖數據集上的半監督設置下的廣泛實驗證明了我們的GLA的有效性 。此外，我們還提供了額外的實驗來驗證我們的動機，并深入探討了GLA在負對、增強空間和策略效應中的影響因素 。
【GLA 論文解讀《Label-invariant Augmentation for Semi-Supervised Graph Classification》】
推薦閱讀
- AlphaTensor論文閱讀分析
- ULID規范解讀與實現原理
- 鉤子 【pytest官方文檔】解讀-插件開發之hooks 函數
- AlexNet-文獻閱讀筆記
- 帶你讀AI論文丨ACGAN-動漫頭像生成
- 【論文翻譯】KLMo: Knowledge Graph Enhanced Pretrained Language Model with Fine-Grained Relationships
- HashMap底層原理及jdk1.8源碼解讀
- 《Vision Permutator: A Permutable MLP-Like ArchItecture For Visual Recognition》論文筆記
- Go 源碼解讀｜如何用好 errors 庫的 errors.Is 與 errors.As() 方法
- 關于第三方物流的參考文獻 近3年第三方物流論文參考文獻