我们介绍了一种通过对比图的结构视图来学习节点和图级表示的自监督方法。我们表明，与视觉表示学习不同，增加视图数量到两个以上或对比多尺度编码不会提高性能，而最佳性能是通过对比一阶邻居编码和图扩散来实现的。在线性评估协议下，我们在8个节点中的8个和图分类基准上实现了新的最先进的自监督学习结果。例如，在Cora(节点)和reddy - binary(图形)分类基准上，我们实现了86.8%和84.5%的准确率，相对于之前的最先进水平分别提高了5.5%和2.4%。与监督基准相比，我们的方法在8个基准中有4个优于监督基准。

https://arxiv.org/pdf/2006.05582.pdf

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“CMRL” 可以获取《多视角对比图表示学习，Contrastive Multi-View GRL》专知下载链接索引

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“阅读原文”，了解使用专知，查看获取5000+AI主题知识资源