Una Buena Vista para el Aprendizaje Contrastivo en Gráficas

Debido al éxito observado en redes neuronales profundas con el aprendizaje contrastivo, ha habido un notable aumento en el interés de investigación en el aprendizaje contrastivo en gráficas, principalmente atribuido a su superior rendimiento en gráficas con datos etiquetados limitados. Dentro del aprendizaje contrastivo, la selección de una "vista" dicta la información capturada por la representación, influyendo así en el rendimiento del modelo. Sin embargo, evaluar la calidad de la información en estas vistas presenta desafíos, y determinar qué constituye una buena vista sigue siendo poco claro. Este artículo aborda este problema al establecer la definición de una buena vista mediante la aplicación de teorías de cuello de botella de información en gráficas y entropía estructural. Basados en perspectivas teóricas, introducimos CtrlGCL, un método novedoso para lograr una vista beneficiosa en el aprendizaje contrastivo en gráficas a través del aprendizaje de representación de árboles de codificación. Se realizaron extensos experimentos para determinar la efectividad de la vista propuesta en aprendizaje no supervisado y semi-supervisado. En particular, nuestro enfoque, a través de CtrlGCL-H, produce una mejora promedio de precisión del 1.06% en aprendizaje no supervisado en comparación con GCL. Esta mejora subraya la eficacia de nuestro método propuesto.