AAAI 2021：基于对比自监督学习的图分类

本文转自 MIND Laboratory微信公众号，原文地址

https://mp.weixin.qq.com/s/nB-hUPeiRcDiSd6uja6rUQ

Contrastive Self-supervised Learning for Graph Classification

论文地址：

https://arxiv.org/pdf/2009.05923.pdf

论文来源：AAAI 2021

1.论文介绍

图分类是一个重要的应用，在现实中，带标签的图数量很少，导致模型的过拟合。本文提出了两种对比自监督学习的方法来避免这种过拟合的现象。一种方法先是在无标签的数据集上做预训练，再在带标签的数据集上做微调。

另一种方法是同时进行监督的分类任务和无监督的对比学习任务。  

2.模型方法

在对比学习之前要先对图进行数据增强，本文使用了四种方法。删除节点和边以及增加节点和边。在增加节点时，从图中选择一个强连通的子图(1,3,4)，删除掉所有边，加入一个新节点(5)，将新节点与子图的所有点相连。

       每次数据增强时，从操作集中随机选择一个数据增强操作，经过t步迭代，最终得到一个增强后的图。如果两个图是由同一个图增强得到的，那么这两个图的标签应该相似。本文使用了一个图嵌入模块

和多层感知机

来生成隐藏表示。

是一对正样本对，

是负样本对的集合。损失函数为

表示余弦相似度。

是温度参数。

优化损失函数时，作者使用了MoCo的方法。一个队列中包含了一个增强后的图的集合，每次迭代将最近的一批图加入到队列中，最老的一批图出队。这些图使用动量编码器进行编码。给定一个增强后的图，如果与当前队列中的一个图来自同一个初始图，那么它们是正样本对，否则为负样本对。

本文提出了两种方法来避免过拟合。一种方法是在无标签的数据集上做预训练，再在带标签的数据集上做微调。

另一种方法同时进行监督任务和自监督任务。

优化问题表示为

D表示训练图，L表示标签，

、

和

表示编码器，分类任务和预测任务。

表示分类损失，

表示自监督学习损失，

是参数。

本文使用的图编码器是Hierarchical Graph Pooling with Structure Learning(HGP-SL)，由图卷积和池化层构成，

3.实验结果

作者在多个数据集上与现有方法进行了比较

CSSL-Freeze表示预训练后直接用到分类任务中，不进行微调。

对不同的增强操作，作者也进行了比较

在CSSL-Reg方法中，不同的

也会导致不同的结果

4.总结

本文在图分类任务上使用了对比自监督学习的方法，提出了两种不同的方法，与现有方法相比，本文方法有效的避免了图分类过拟合的问题。