摘要：
标签: 对比学习、图神经网络、半监督 动机 在现有的对比学习方法中都存在一个共同的问题, 忽略了任务信息在图节点间不均匀分布, 当 GNN 在学习中, 任务信息的传播在有标签的节点通过边传到无标签的节点, 导致了任务信息在图中没有均匀的分布, 使得模型学习节点嵌入的时候随着到标签节点距离的增加而衰减 阅读全文
摘要：
标签: 自监督、 图神经 动机 首先, 由于很难改变 GCNs 固有的浅层结构, 如何设计一种基于 GCNs 的一致高效的训练算法来提高其在标签节点较少的图上的泛化性能？ 其次, 如何利用基于大量未标记数据的自监督学习方法的优势, 来提高所提出的训练算法的性能？ 贡献 我们首先探讨了在标签节点较少的 阅读全文
摘要：
标签：自监督学习、图神经网络 动机&背景 在半监督学习任务中, 讨论的是直推式半监督节点分类, 典型的代表是 GCN, 在半监督任务的数据集中有大量的未标记的节点和少量有标记的节点, 其目标是预测未标记的节点的标签. 而自监督也利用同样大量的未标记的数据, 通过代理任务 (pretext tasks 阅读全文
摘要：
监督学习 监督学习利用大量的标注数据来训练模型, 通过模型的预测和真实标签的构造损失函数, 最小化损失函数进行反向传播, 通过不断学习迭代更新, 最终得到训练好的模型, 使模型具有识别新样本能力. 中的常用算法包括逻辑回归、朴素贝叶斯、人工神经网络、支持向量机和随机森林, 在回归和分类中, 目标 阅读全文
摘要：
标签：自监督学习、图神经网络 动机 在没有手工标注的情况下, 如何设计合适的目标函数学习理想的节点表示是个具有挑战的任务, 如何有效捕获图的整体结构仍然是一个具有挑战的问题 更加充分的利用数据本身的问题 贡献 首次尝试研究隐藏在图结构数据中的自然监督信号, 即跳数, 并利用该信号以自监督方式来学习未 阅读全文
摘要：
标签：图神经网络 动机 图神经网络主要优点是能够在数据点之间结合稀疏和离散的依赖关系, 但是, 图神经网络也只能在这样的图结构进行使用, 而在真实的世界中的图通常是带有噪声和不完整的, 或者根本不可用的 贡献 提出近似求解一个学习图的边上的离散概率分布的双层规划和学习图卷积网络的图结构和参数 思想 阅读全文
摘要：
自监督学习-SLAPS: Self-Supervision Improves Structure Learning for Graph Neural Networks 标签：自监督学习、图神经网络 动机&背景 当可用的图结构表现出高度的同质性 (即连接的节点通常属于同一类) 时, 图神经网路在半监督 阅读全文
摘要：
无监督-TOPOTER: UNSUPERVISED LEARNING OF TOPOLOGY TRANSFORMATION EQUIVARIANT REPRESENTATIONS 标签：无监督学习、图神经网络 动机 当前的 GCNN 监督训练要求标签量非常的大，而在缺乏标签也正是 GCNN 的性能就 阅读全文
摘要：
自监督-Self-supervised Training of Graph Convolutional Networks 标签：自监督、图神经学习 动机 GNN 和 CNN 的一个共同点是在网络训练需要大量的标注数据，此外，GCN 需要邻接矩阵 作为输入定义那些非网格数据之间的关系，这导致训练、验证 阅读全文
摘要：
线性方程组 Problem 给出一个线性方程组， 有 \(n\) 个未知数和 \(m\) 个方程 \[ a_{11}x_1 + a_{12}x_2 + ... + a_{1n}x_n = b_1\\ a_{21}x_1 + a_{22}x_2 + ... + a_{2n}x_n = b_2\\ .. 阅读全文