近日,計算機科學(xué)與技術(shù)學(xué)院江波教授團隊在圖對比表示學(xué)習(xí)方面取得新進展。成果發(fā)表在人工智能頂級期刊IEEE Transactions on Pattern Analysis and Machine Intelligence (DOI: 10.1109/TPAMI.2025.3586651,TPAMI, 影響因子:18.6)期刊上,博士研究生張紫硯為論文的第一作者,江波教授為論文的通訊作者,湯進教授和羅斌教授為論文的合作者,安徽大學(xué)為唯一單位。
圖數(shù)據(jù)增廣為圖對比學(xué)習(xí)以及圖基礎(chǔ)模型的構(gòu)建提供了重要技術(shù)支撐。針對當(dāng)前圖數(shù)據(jù)增廣方法(Graph Data Augmentation, GDA)缺乏通用性、難以適配復(fù)雜多樣的圖結(jié)構(gòu)數(shù)據(jù)等挑戰(zhàn)問題,團隊提出一種圖消息增廣(Graph Message Augmentation, GMA)的全新圖數(shù)據(jù)增廣方法。GMA實現(xiàn)了對傳統(tǒng)圖的邊、節(jié)點以及屬性丟失或擾動等GDA的統(tǒng)一表征。同時,GMA進一步引入了一種適配圖結(jié)構(gòu)的Mixup增強技術(shù)?;诖?,該團隊進一步構(gòu)建了圖消息對比學(xué)習(xí)(GMCL)框架,通過歸因驅(qū)動的增廣數(shù)據(jù)增強機制顯著提升模型泛化能力。實驗表明,該方法在多類型圖數(shù)據(jù)集上展現(xiàn)出卓越的適應(yīng)性與有效性。該方法為圖數(shù)據(jù)大模型的構(gòu)建提供了新的技術(shù)支撐。
圖 1基于圖消息增廣的對比學(xué)習(xí)網(wǎng)絡(luò)框架
圖 2 GDA和GMA在三種不同數(shù)據(jù)集上的比較結(jié)果
新聞鏈接:https://www.ahu.edu.cn/2025/0712/c15059a370866/page.htm
網(wǎng)站內(nèi)容來源于互聯(lián)網(wǎng),由網(wǎng)絡(luò)編輯負(fù)責(zé)審查,目的在于傳遞信息,提供專業(yè)服務(wù),不代表本網(wǎng)站平臺贊同其觀點和對其真實性負(fù)責(zé)。如因內(nèi)容、版權(quán)問題存在異議的,請與我們?nèi)〉寐?lián)系,我們將協(xié)調(diào)給予處理(按照法規(guī)支付稿費或刪除),聯(lián)系方式:ahos@aiofm.ac.cn 。網(wǎng)站平臺將加強監(jiān)控與審核,一旦發(fā)現(xiàn)違反規(guī)定的內(nèi)容,按國家法規(guī)處理,處理時間不超過24小時