释放双眼，带上耳机，听听看~！
本文对最新的图自监督学习领域的两篇重要论文进行了深入解析，包括ENCO对DAG因果图的学习和AUTOSSL在图自监督学习中的应用。
本文已参与「新人创作礼」活动，一起开启掘金创作之路。
- 欢迎关注WX公众号，每周发布论文解析：PaperShare,
点我关注
论文列表
目前找了录用的一些有关于Graph或者GNN的文章，先过一遍各个文章的摘要，然后再花时间对觉得比较重要或者有趣的文章进行详细阅读。
Paper 11
今天这篇文章不是GNN文章，但是和graph有关，其实是causal discvoery的文章，初入坑这个方向，下一个专题论文分享将会是causality相关的文章,今天碰巧先开个引子
摘要简介
- 利用观测数据和干预数据来学习因果图模型是很多科学研究的基础。
- 用连续优化来做score-based的方法虽然比较有前景，但是需要对无环或者收敛进行约束。
- 提出了ENCO，对DAG因果图进行学习。
- ENCO会独立的优化每条边的likelihood，并且边的方向也是一个变量。
- 因此我们能够不依赖与无环的约束就能保证ENCO的收敛性。
- ENCO能同时处理deterministic variables和发现潜在confounder，并且能有效地恢复具有数百个节点的图，比以前可能的要大一个数量级。
实验
Paper 12
摘要简介
- 利用前置任务（pretext task）来进行图自监督学习很重要。
- 通常都是用单一的pretex task，我们认为这样比较局限，应该找到很多pretext tasks来做。
- 提出了AOTOSSL，利用“homophily”同质性，或者说“物以类聚”为原则，来高效地搜索pretext tasks。
- 从理论和实验上来证明该框架的灵活性。
- AUTOSSL相对于只利用单一pretext task的方法，在8个真实数据集上都取得了明显性能提升，包括图聚类和分类任务。
实验
提升看起来确实明显。
分析
相当于从图中挖掘了更多的feature。
本网站的内容主要来自互联网上的各种资源，仅供参考和信息分享之用，不代表本网站拥有相关版权或知识产权。如您认为内容侵犯您的权益，请联系我们，我们将尽快采取行动，包括删除或更正。
