基于最优引领森林的多粒度图对比学习

摘要

图对比学习从数据本身学习有用的信息，而不依赖于外部的标签.它旨在训练一个图编码器，通过学习节点的相似性和差异性来改善图结构数据的表征.然而，当前的图对比学习方法只考虑了节点级信息和图级信息，忽视了图中其他粒度级别的信息，并且在进行数据增强时，存在丢失关键节点的可能性，这些问题势必造成模型性能的下降.为此，作者提出一种多粒度图对比学习框架，采用基于最优引领森林的选点策略，从图中选出最具代表性的节点.依据软聚类思想构建软分配矩阵，得到包含代表性节点信息图的聚类级表示.通过最大化图中不同粒度级表示的互信息，丰富节点表示的语义信息，学习更好的节点表示.大量实验结果表明，在多个数据集上，本文提出的方法优于现有的先进方法.

关键词

自监督学习 / 图对比学习 / 最优引领森林 / 互信息 / 图神经网络