科研之友
微信
新浪微博
Facebook
分享链接
摘要
图表示学习在处理图数据结构中起着非常重要的作用，但它面临着严重依赖于标记信息的挑战。为了克服这一挑战，提出了一种新的自监督图表示学习框架，通过使用对比学习方法，融合原始图的结构与属性以及频谱的高低频信息，在保留节点信息的基础上进行增强。同时，利用残差融合机制和无偏特征增强方法，在保证特征有效性的同时进一步减少增强样本的偏差。此外，在对比部分估计负样本为真的概率，并使用权重来度量负样本的硬度和相似度。通过在3个公开数据集上实验证明，在节点分类的下游任务中表现不仅优于当前最先进的无监督方法，而且还在多数任务中超过了以往的有监督方法。
- 单位
