★ 2
SAC-GCL：面向图对比学习的结构感知压缩框架
针对现有图对比学习依赖随机增强、易破坏拓扑的问题，论文提出 SAC-GCL，用结构分解提取内聚子图并压缩为超节点，构建保留局部密度与高阶结构的粗化视图。在六个基准数据集上图分类表现更稳健、更具判别力。
arXiv cs.LG3 天前
共 2 篇相关资讯，按重要度与时间排序，每 3 小时更新。
针对现有图对比学习依赖随机增强、易破坏拓扑的问题，论文提出 SAC-GCL，用结构分解提取内聚子图并压缩为超节点，构建保留局部密度与高阶结构的粗化视图。在六个基准数据集上图分类表现更稳健、更具判别力。
论文提出基于随机游走转移矩阵谱矩的矩引导边采样框架，量化并控制局部边编辑对全局图结构的影响。作者给出组合法与低秩法两种精确矩变化计算方式，将单边编辑成本从 O(mn) 降至 O(m)。研究证明保矩采样可保留三角形加权聚类系数等结构性质，并可用于改进图学习与图对比学习。