超图对比学习-吴松凌.pdf

BeijingForestStudio

ThenameoftheDepartment

北京理工大学信息系统及安全对抗实验中心

部门名称

超图对比学习

硕士研究生吴松凌

2024年07月28日

问题回溯

•总结反思

–算法和公式讲解不够细致，要明确输入输出关系、物理意义，并加以实例辅助

–演讲技巧欠缺，可以调整语速，丰富语调，调动观众注意力

–要加强互动，同时注重观众反馈，把控整体节奏

•相关内容

–2023.06.18沈宇辉《图匹配网络》

–2023.05.07周瑾洁《基于图的知识追踪方法研究》

–2022.09.25李新帅《异质图神经网络》

–2022.02.27张凌浩《基于图结构处理的文本生成》

2

内容提要

•预期收获

•题目内涵解析

•研究背景与意义

•研究历史与现状

•知识基础

•算法原理

–TriCL

–CCL

•特点总结与工作展望

•参考文献

3

预期收获

•预期收获

–了解超图对比学习方法的基本概念

–熟悉超图对比学习方法的历史现状及应用场景

–理解超图增强、超图编码器、超图对比损失和对比学习的技术原理

–明确超图对比学习方法的发展趋势和未来前景

4

内涵解析与研究目标

•研究目标

–面向超图的表示学习任务

–利用对比学习来发现超图中的不变性和差异性，从而生成标

准

区分度高、泛化能力强的节点或超边表示图

边

•内涵解析

–超图：标准图的扩展，由超边和节点组成，超边连接任意数量节点

–对比学习：自监督学习方法，通过正样本对和负样本对的比较，

学习出能够在不同下游任务中通用的高质量表示

•正样本对：来自相同类别的样本或是经过变换的相同样本

•负样本对：来自不同类别的样本或是经过变换的不同样本超

–超图对比学习：用对比学习方式训练超图神经网络，得到超边图

节点或超边的通用高质量表示

5

背景意义

•研究背景

–数据复杂性：医疗、社交、推荐及文献分类等领域的数据

存在多对多、高阶的关联关系

–标注稀缺性：监督或半监督学习需要大量标注数据，而

这通常是时间和资源密集型的

•研究