今天给大家介绍的是电子科技大学石小爽教授团队于年发表在AAAI上的一篇论文:“SimpleUnsupervisedGraphRepresentationLearning”。作者提出了一种简单的无监督图表示学习方法来进行有效和高效的对比学习。具体而言，通过构造多重损失探索结构信息与邻域信息之间的互补信息来扩大类间变化，并通过增加一个上限损失来实现正嵌入与锚嵌入之间的有限距离来减小类内变化。因此，无论是扩大类间变异还是减少类内变异，都能使泛化误差很小，从而得到一个有效的模型。此外，作者的方法消除了以往图对比学习方法中广泛使用的数据增强和鉴别器，同时可以输出低维嵌入，从而得到一个高效的模型。在各种真实数据集上的实验结果表明，与最先进的方法相比，该方法是有效和高效的。1引文

由于图神经网络的广泛应用，无监督图表示学习(UnsupervisedGraphRepresentationLearning，UGRL）最近也得到了广泛

转载请注明:http://www.aideyishus.com/lktp/193.html