CuCo: Representação Gráfica com Aprendizado Contrastivo de Currículo

O aprendizado de representação em nível gráfico visa aprender uma representação de baixa dimensão para todo o gráfico, o que teve um grande impacto em aplicações do mundo real. Recentemente, limitado por dados rotulados caros, o aprendizado de representação em nível gráfico baseado em aprendizado contrastivo atrai atenção considerável. No entanto, esses métodos concentram-se principalmente na augmentação de gráficos para amostras positivas, enquanto o efeito das amostras negativas é menos explorado. Neste artigo, estudamos o impacto das amostras negativas no aprendizado de representações em nível gráfico, e um novo framework de aprendizado contrastivo de currículo para representação gráfica auto-supervisionada, chamado CuCo, é proposto. Especificamente, introduzimos quatro técnicas de augmentação gráfica para obter as amostras positivas e negativas, e utilizamos redes neurais gráficas para aprender suas representações. Em seguida, uma função de pontuação é proposta para classificar amostras negativas de fáceis para difíceis e uma função de ritmo é usada para selecionar automaticamente as amostras negativas em cada procedimento de treinamento. Experimentos extensivos em quinze conjuntos de dados reais de classificação gráfica, bem como a análise de parâmetros, demonstram que nosso CuCo proposto resulta em resultados realmente encorajadores em termos de desempenho na classificação e convergência.