基于自适应邻居均值对齐和均匀性的超球图表示学习

本文介绍了HyperGRL，一个用于图表示学习的新框架，它避免了现有方法中常见的陷阱，如过度平滑和不稳定。它利用超球嵌入和邻居均值对齐与均匀性目标函数的组合，以及自适应平衡机制，从而在各种图任务中实现了卓越的性能。关键创新在于基于几何的、无采样的对比目标函数和自适应平衡，从而提高了表示质量和泛化能力。

• •提出了HyperGRL，一个用于图表示学习的新框架。
• •采用超球嵌入，结合邻居均值对齐和均匀性目标函数。
• •引入了熵引导的自适应平衡机制，以实现稳定的训练。
• •在节点分类、聚类和链接预测任务上取得了卓越的性能。
• •避免了复杂的架构、负采样和敏感的超参数调整。