开发多语言网站,安徽阜阳网站建设,电子商务是什么,主流网站宽度#x1f680; 优质资源分享 #x1f680;
学习路线指引#xff08;点击解锁#xff09;知识定位人群定位#x1f9e1; Python实战微信订餐小程序 #x1f9e1;进阶级本课程是python flask微信小程序的完美结合#xff0c;从项目搭建到腾讯云部署上线#xff0c;打造一… 优质资源分享
学习路线指引点击解锁知识定位人群定位 Python实战微信订餐小程序 进阶级本课程是python flask微信小程序的完美结合从项目搭建到腾讯云部署上线打造一个全栈订餐系统。Python量化交易实战入门级手把手带你打造一个易扩展、更安全、效率更高的量化交易系统
论文信息 论文标题Multi-Scale Contrastive Siamese Networks for Self-Supervised Graph Representation Learning论文作者Ming Jin, Yizhen Zheng, Yuan-Fang Li, Chen Gong, Chuan Zhou, Shirui Pan论文来源2021, IJCAI论文地址download 论文代码download 1 Introduction
创新融合交叉视图对比和交叉网络对比。
2 Method
算法图示如下 模型组成部分 Graph augmentations Cross-network contrastive learningCross-view contrastive learning
2.1 Graph Augmentations
Graph Diffusion (GD)
S∞∑k0θkTk∈RN×N(1)S∑k0∞θkTk∈RN×N(1)S\sum\limits _{k0}^{\infty} \theta_{k} T^{k} \in \mathbb{R}^{N \times N}\quad\quad\quad(1)
这里采用 PPR kernel
Sα(I−(1−α)D−1/2AD−1/2)−1(2)Sα(I−(1−α)D−1/2AD−1/2)−1(2)S\alpha\left(I-(1-\alpha) D^{-1 / 2} A D^{-1 / 2}\right)^{-1}\quad\quad\quad(2)
Edge Modification (EM)
给定修改比例 PP 先随机删除 P/2P/2 的边再随机添加P/2P/2 的边。添加和删除服从均匀分布
Subsampling (SS)
在邻接矩阵中随机选择一个节点索引作为分割点然后使用它对原始图进行裁剪创建一个固定大小的子图作为增广图视图。
Node Feature Masking (NFM)
给定特征矩阵 XX 和增强比 PP我们在 XX 中随机选择节点特征维数的 PP 部分然后用 00 掩码它们。
在本文中将 SS、EM 和 NFM 应用于第一个视图并将 SSGDNFM 应用于第二个视图。
2.2 Cross-Network Contrastive Learning
MERIT 引入了一个孪生网络架构它由两个相同的编码器(即 gθg_{\theta}, pθp_{\theta}, gζg_{\zeta} 和 pζp_{\zeta})组成在 online encoder 上有一个额外的预测器qθq_{\theta}如 Figure 1 所示。
这种对比性的学习过程如 Figure 2(a) 所示 其中 H1qθ(Z1)H{1}q_{\theta}\left(Z{1}\right) Z1pθ(gθ(˜X1,˜A1))Z^{1}p_{\theta}\left(g_{\theta}\left(\tilde{X}_{1}, \tilde{A}_{1}\right)\right)Z2pθ(gθ(˜X2,˜A2))Z^{2}p_{\theta}\left(g_{\theta}\left(\tilde{X}_{2}, \tilde{A}_{2}\right)\right)ˆZ1pζ(gζ(˜X1,˜A1))\hat{Z}^{1}p_{\zeta}\left(g_{\zeta}\left(\tilde{X}_{1}, \tilde{A}_{1}\right)\right)ˆZ2pζ(gζ(˜X2,˜A2))\hat{Z}^{2}p_{\zeta}\left(g_{\zeta}\left(\tilde{X}_{2}, \tilde{A}_{2}\right)\right)
参数更新策略动量更新机制
ζtm⋅ζt−1(1−m)⋅θt(3)\zeta^{t}m \cdot \zeta^{t-1}(1-m) \cdot \theta^{t}\quad\quad\quad(3)
其中mm、ζ\zeta、θ\theta 分别为动量参数、target network 参数和 online network 参数。
损失函数如下
Lcn12NN∑i1(L1cn(vi)L2cn(vi))(6)\mathcal{L}_{c n}\frac{1}{2 N} \sum\limits _{i1}^{N}\left(\mathcal{L}_{c n}^{1}\left(v_{i}\right)\mathcal{L}_{c n}^{2}\left(v_{i}\right)\right)\quad\quad\quad(6)
其中
L1cn(vi)−logexp(sim(h1vi,ˆz2vi))∑Nj1exp(sim(h1vi,ˆz2vj))(4)\mathcal{L}_{c n}^{1}\left(v_{i}\right)-\log {\large \frac{\exp \left(\operatorname{sim}\left(h_{v_{i}}^{1}, \hat{z}_{v_{i}}{2}\right)\right)}{\sum_{j1}{N} \exp \left(\operatorname{sim}\left(h_{v_{i}}^{1}, \hat{z}_{v_{j}}^{2}\right)\right)}}\quad\quad\quad(4)
L2cn(vi)−logexp(sim(h2vi,ˆz1vi))∑Nj1exp(sim(h2vi,ˆz1vj))(5)\mathcal{L}_{c n}^{2}\left(v_{i}\right)-\log {\large \frac{\exp \left(\operatorname{sim}\left(h_{v_{i}}^{2}, \hat{z}_{v_{i}}{1}\right)\right)}{\sum_{j1}{N} \exp \left(\operatorname{sim}\left(h_{v_{i}}^{2}, \hat{z}_{v_{j}}^{1}\right)\right)}}\quad\quad\quad(5)
2.3 Cross-View Contrastive Learning
损失函数
Lkcv(vi)Lkintra (vi)Lkinter (vi),k∈{1,2}(10)\mathcal{L}_{c v}^{k}\left(v_{i}\right)\mathcal{L}_{\text {intra }}^{k}\left(v_{i}\right)\mathcal{L}_{\text {inter }}^{k}\left(v_{i}\right), \quad k \in{1,2}\quad\quad\quad(10)
其中
Lcv12NN∑i1(L1cv(vi)L2cv(vi))(9)\mathcal{L}_{c v}\frac{1}{2 N} \sum\limits _{i1}^{N}\left(\mathcal{L}_{c v}^{1}\left(v_{i}\right)\mathcal{L}_{c v}^{2}\left(v_{i}\right)\right)\quad\quad\quad(9)
L1inter (vi)−logexp(sim(h1vi,h2vi))∑Nj1exp(sim(h1vi,h2vj))(7)\mathcal{L}_{\text {inter }}^{1}\left(v_{i}\right)-\log {\large \frac{\exp \left(\operatorname{sim}\left(h_{v_{i}}^{1}, h_{v_{i}}{2}\right)\right)}{\sum_{j1}{N} \exp \left(\operatorname{sim}\left(h_{v_{i}}^{1}, h_{v_{j}}^{2}\right)\right)}}\quad\quad\quad(7)
L1intra(vi)−logexp(sim(h1vi,h2vi))exp(sim(h1vi,h2vi))ΦΦN∑j11i≠jexp(sim(h1vi,h1vj))(8)\begin{aligned}\mathcal{L}_{i n t r a}^{1}\left(v_{i}\right) -\log \frac{\exp \left(\operatorname{sim}\left(h_{v_{i}}^{1}, h_{v_{i}}^{2}\right)\right)}{\exp \left(\operatorname{sim}\left(h_{v_{i}}^{1}, h_{v_{i}}^{2}\right)\right)\Phi} \\Phi \sum\limits_{j1}^{N} \mathbb{1}_{i \neq j} \exp \left(\operatorname{sim}\left(h_{v_{i}}^{1}, h_{v_{j}}^{1}\right)\right)\end{aligned}\quad\quad\quad(8)
2.4 Model Training
LβLcv(1−β)Lcn(11)\mathcal{L}\beta \mathcal{L}_{c v}(1-\beta) \mathcal{L}_{c n}\quad\quad\quad(11)
3 Experiment
数据集 基线实验 论文信息 1 Introduction 2 Method 2.1 Graph Augmentations 2.2 Cross-Network Contrastive Learning 2.3 Cross-View Contrastive Learning 2.4 Model Training 3 Experiment __EOF__ - **本文作者** [Blair](https://blog.csdn.net/biggbang)本文链接 https://blog.csdn.net/BlairGrowing/p/16196841.html关于博主 评论和私信会在第一时间回复。或者直接私信我。版权声明 本博客所有文章除特别声明外均采用 BY-NC-SA 许可协议。转载请注明出处声援博主 如果您觉得文章对您有帮助可以点击文章右下角**【[推荐](javascript:void(0)】**一下。
