脚本宝典收集整理的这篇文章主要介绍了论文解读(BGRL)《Bootstrapped Representation Learning on Graphs》,脚本宝典觉得挺不错的,现在分享给大家,也给大家做个参考。
论文标题:BootstrapPEd RePResentation Learning on Graphs论文作者:Shantanu Thakoor, Corentin Tallec, Mohammad Gheshlaghi Azar, Rémi Munos, Petar Veličković, Michal Valko论文来源:2021, ArXiv论文地址:download 论文代码:download
研究目的:对比学习中不适用负样本。
本文贡献:
上面是 online network,下面是 target network 。
步骤:
更新 $theta$
在线参数 $theta$(而不是 $phi$),通过余弦相似度的梯度,使预测的目标表示 $mathbf{Z}_{1}$ 更接近每个节点的真实目标表示 $widetilde{mathbf{H}}_{2}$。
$ell(theta, phi)=-frac{2}{N} suMLimITs _{i=0}^{N-1} {large frac{widetilde{mathbf{Z}}_{(1, i)} widetilde{mathbf{H}}_{(2, i)}^{top}}{left|widetilde{mathbf{Z}}_{(1, i)}right|left|widetilde{mathbf{H}}_{(2, i)}right|}} quadquadquad(1)$
$theta$ 的更新公式:
$theta leftarrow operatorname{optimize}left(theta, eta, partial_{theta} ell(theta, phi)right)quadquadquad(2)$
其中 $ eta $ 是学习速率,最终更新仅从目标对 $theta$ 的梯度计算,使用优化方法如 SGD 或 Adam 等方法。在实践中,
我们对称了训练,也通过使用第二个视图的在线表示来预测第一个视图的目标表示。
更新 $phi$
目标参数 $phi$ 被更新为在线参数 $theta$ 的指数移动平均数,即:
$phi leftarrow tau phi+(1-tau) thetaquadquadquad(3)$
其中 $tau$ 是控制 $phi$ 与 $ theta$ 的距离的衰减速率。
只有在线参数被更新用来减少这种损失,而目标参数遵循不同的目标函数。根据经验,与BYOL类似,BGRL不会崩溃为平凡解,而 $ell(theta, phi)$ 也不收敛于 $0$ 。
对比学习常用的负样本带来的问题是:
本文损失函数定义的好处:
本文采用以下两种数据增强方法:
数据集
@H_360_214@
数据集划分:
直推式学习——基线实验
图编码器采用 $text{GCN$ Encoder 。
大图上的直推式学习——基线实验
结果:
归纳式学习——基线实验
编码器采用 GraphSAGE-GCN (平均池化)和 GAT 。
结果:
介绍了一种新的自监督图表示学习方法BGRL。通过广泛的实验,我们已经证明了我们的方法与最先进的方法具有竞争力,尽管不需要负例,并且由于不依赖于投影网络或二次节点比较而大大降低了存储需求。此外,我们的方法可以自然地扩展到学习图级嵌入,其中定义消极的例子是具有挑战性的,并且所有的目标不具有规模。
以上是脚本宝典为你收集整理的论文解读(BGRL)《Bootstrapped Representation Learning on Graphs》全部内容,希望文章能够帮你解决论文解读(BGRL)《Bootstrapped Representation Learning on Graphs》所遇到的问题。
本图文内容来源于网友网络收集整理提供,作为学习参考使用,版权属于原作者。
如您有任何意见或建议可联系处理。小编QQ:384754419,请注明来意。