#今日论文推荐# IJCAI 2022 | 鲁棒的Node-Node Level自对齐图对比学习

码龄5年

关注

转载最新推荐文章于 2026-08-22 13:25:16 发布 173 阅读

即梦文生视频逆向接口部署使用有的小伙伴不知道这个地址如何填写，你可以理解是步骤3上提供的服务器或者本地电脑IP 地址（不要写 http://127.0.0.1 或者http://localhsot ）是（192.168.XXX.XXX 参考）阅读详情

#今日论文推荐# IJCAI 2022 | 鲁棒的Node-Node Level自对齐图对比学习

在介绍该论文前，我们先了解一些名词 node-node contrasting mode（i.e. local-local）, node-graph（subgraph）contrasting level（i.e. local-global）, graph（subgraph）-graph（subgraph）contrasting level（i.e. global-global）[1][2]，以及 aligned 和 non-aligned views。通过图一我们可以了解到不同 level 对比的方式，通过 GNN encoder 之后我们得到 node-leval representation ，然后通过 readout 函数得到 graph-level representation 。node-level representations 之间进行对比称为 node-node contrasting level (i.e. local-local)，node-level representation 和 graph-level representation 进行对比称为 node-graph contrasting level (i.e. local-global)，global-level representations 之间进行对比称为 graph-graph contrasting level (i.e. global-global)。Table 1 是现有的一些方法的分类。

不同的对比模式介绍完了，下面介绍一下 aligned views 和 non-aligned views（这一概念主要针对 node-node contrasting mode）。aligned views 指的是 positive views 中节点 id一一对应（e.g. view1 [1,2,3]，view2 [1,2,3]），non-aligned views 指两个 view 拥有不同的节点集合（e.g. view1 [1,2,3]，view2 [4,1,3]），甚至每个 view 的节点数也可以不一样，如图2。[1] 通过大量实验发现在节点分类数据集上，node-node contrasting 的方法效果是更好的（与下游任务更匹配）。而现有的 node-node contrasting 方法都是在 aligned views 情境下进行的，这可能会阻碍采样的灵活性和多样性，限制了对比学习的表现能力。此外，在某些情况下 aligned views 是不可用的，比如，在动态图中，随着时间的推移，节点可能出现/消失，以及如果使用随机游走的方式进行采样，得到的两个视图也是 non-aligned 的。与 aligned node-node contrasting 相比，non-aligned 场景下采样方式可以更灵活（可以采样到不同的节点和关系），有助于模型学习更具代表性和鲁棒性的特征。

论文题目：RoSA: A Robust Self-Aligned Framework for Node-Node Graph Contrastive Learning
详细解读：https://www.aminer.cn/research_report/62abf03e7cb68b460fd484b5?download=falsehttps://www.aminer.cn/research_report/62abf03e7cb68b460fd484b5?download=false
AMiner链接：https://www.aminer.cn/?f=cs