Without supervision signals, Rationale-aware Graph Contrastive Learning (RGCL) uses a rationale generator to reveal salient features about graph instance-discrimination as the rationale, and then creates rationale-aware views for contrastive learning.

总体来说RGCL包含两个部分，1）原理生成器，找个来决定一些点的隐藏和揭示 2）对比学习. 首先，通过 mlp 的方法可以得到一些评分，来进行drop。 分别得到Rationale 和 complement的 …

2022年7月12日 · 研究提出了一种新的图对比学习框架——RGCL，它将不变基本原理 (IRD)与图对比学习相结合。 RGCL通过揭示图实例判别的显著特征来生成增强视图，从而在无监督情况下提升模型的表示能力。 实验结果表明，这种方法在生化分子和社交网络数据集上实现了高性能，验证了理性感知对比学习的有效性。 1. 摘要. 主流图 对比学习 (GCL)方法以两种方式进行图增强: (1)随机破坏锚点图，可能导致语义信息的丢失; (2)使用领域知识维护显著特征，破坏对其他领域的泛 …

2024年10月12日 · 本文通过分析一般化的gcl范式的各个部分包括增强函数，对比模式，对比目标和负采样技术，然后分析各个组件之间的相互作用。实验结论显示，简单的拓扑增强可以生成稀疏视图带来不错的性能提升；对比模型应该与最终任务的粒度一致。

2024年10月29日 · [18/02/2025] 🔥🔥🔥Our new work, LMM-RGCL, has been released. We further extend RGCL for large multimodal models. Check it out here: https://arxiv.org/abs/2502.13061. …

gcl局限于数据增强技术分为两类(结构和特征)：(1)结构增强会随机删除节点或边，这很容易破坏用户项图的内在性质。 (2) 特征增强 对每个节点施加相同尺度的噪声增强，忽略了图上节点的独特特征

2024年2月19日 · 近日，软件所天基综合信息系统重点实验室研究团队的论文“Rethinking Dimensional Rationale in Graph Contrastive Learning from Causal Perspective ”被计算机科学领域顶级学术会议AAAI（CCF A，五年平均IS为31.1）接收，下面将对该论文做详细的解读，供大家交流学习。 论文具体信息如下： https://github.com/ByronJi/DRGCL. 01. 概述. 图对比学习（GCL）是一种通用的学习范式，擅长从图中的多样扰动中捕获不变信息。 最近的研究着重 …

现有的大多数图对比学习（graph contrastive learning，GCL）方法首先对输入图进行随机扩充，得到两个视角的图，通过模型学习 图嵌入表示 来最大化两个视图中表示的一致性。在 graph augmentation 过程中大多数方法采用 uniform data augmentation schemes 可能破坏原有的内在图 ...

2022年6月30日 · 在本文中，作者提出了一种新的评论感知图对比学习 (RGCL)框架。 具体来说，首先构建一个评论感知的用户-项目图，其具有特征增强的边缘，每个边缘特征由用户-项目评级和相应的评论语义组成。 这个带有特征增强边的图可以帮助仔细学习每个邻居节点的权重，用于用户和项目表示学习。 在此之后，作者设计了两个对比学习任务来提供自监督信号。 在5个基准数据集上的广泛实验证明了RGCL相对于最先进的基线的优越性。 1 动机. 作为一种被广泛采用的 …

2024年4月26日 · Our present study has discovered an age-related truncation of the enzyme γ-glutamylcysteine ligase catalytic subunit (GCLC), a critical enzyme involved in GSH biosynthesis. This truncation impairs intracellular GSH synthesis …