ContrastiveLearning-BasedSemanticCommunications基于对比学习的语义通信·作者:ShunpuTang,QianqianYang,LishengFan,XianfuLei,ArumugamNallanathan,GeorgeK.Karagiannidis·所属机构:广州大学计算机科学与网络安全学院，浙江大学信息科学与电子工程

数据集介绍：大类数据集名称pyg‘cora’，‘citeseer’，‘pubmed’，‘cornell’，‘texas’，wisconsin’,flickr,reddit,actoryandexchameleon_filtered,squirrel_filtered,roman_empire,amazon_ratings,minesweeper,tolokers,questionslinkx‘arxiv-year’,‘genius’,‘

引言本文贡献Wearemotivatedtoaddresstheaboveissueswiththegoalofmakingbetteruseofcooccurrenceinformationofevents.Tothisend,wepresentSWCC:aSimultaneousWeaklysupervisedContrastivelearningandClusteringframeworkforeventreprese

论文名称：GraphContrastiveLearningwithAugmentations论文地址：https://arxiv.org/pdf/2010.13902论文来源：NeurIPS2020论文作者：YuningYou,TianlongChen,YongduoSui,TingChen,ZhangyangWang,YangShen代码地址：https://github.com/Shen-Lab/GraphCL1.问题引

PaperAnomalyDetectiononAttributedNetworksviaContrastiveSelf-SupervisedLearnin代码实现异常注入inject_anomaly.pyinject_anomaly.py注入异常过程，处理原始数据集，并添加结构和属性扰动，注入结构属性异常。importnumpyasnpimportscipy.sparseasspim

Note：[wechat：Y466551|可加勿骚扰，付费咨询]论文信息论文标题：CoCo:ACoupledContrastiveFrameworkforUnsupervisedDomainAdaptiveGraphClassification论文作者：XiaoShen、QuanyuDai、Fu-laiChung、WeiLu、Kup-SzeChoi论文来源：2023aRxiv论文地址：download 论文代

Note：[wechat：Y466551|可加勿骚扰，付费咨询] 2024年4月3日15:39:16论文信息论文标题：AnEmpiricalStudyofGraphContrastiveLearning论文作者：论文来源：2021 NeurIPS论文地址：download 论文代码：download视屏讲解：click1-摘要图对比学习（GCL）为没有人工注释的图表示建立

DisentangledContrastiveLearningforSocialRecommendation论文阅读笔记Abstract存在的问题：大多数社会推荐模型统一了用户对用户-项目交互（协作领域）和社会关系（社会领域）的表示。然而，这种方法可能无法在两个领域中建模用户的异构行为模式，从而损害了用户表示的表达性。解决方法

DisentangledContrastiveCollaborativeFiltering论文阅读笔记Abstract存在的问题：大多数现有的基于gcl的CF模型仍然受到限制，因为忽略了用户-项目交互行为往往是由各种潜在意图因素驱动的（例如，为了家庭聚会购物，首选颜色或产品品牌）引入的非自适应增强技术容易受到噪声信息的

论文题目：ExploringSimpleSiameseRepresentationLearning，CVPR2021。pdf：https://arxiv.org/abs/2011.10566相关博客：知乎|无门槛级讲解对比学习中的自监督模型Simsiam（通俗易懂）知乎|对比学习（ContrastiveLearning）：研究进展精要（解释了为什么Simsiam会演变成这样）知

Abstract​ 尽管图CL方法得到了繁荣的发展，但图增强方案的设计——CL中的一个关键组成部分——仍然很少被探索。我们认为，数据增强方案应该保留图的内在结构和属性，这将迫使模型学习对不重要的节点和边缘的扰动不敏感的表示。然而，现有的方法大多采用统一的数据增强方案，如统一丢弃边

Abstract在实际的场景中，用户的行为数据往往是有噪声的，并且表现出偏态分布。所以需要利用自监督学习来改善用户表示。我们提出了一种新的自适应图对比学习(AdaGCL)框架，该框架使用两个自适应对比视图生成器来进行数据增强，以更好地增强CF范式。具体的说，我们使用了两个可训练的视图生

Abstract首先介绍了一下GCL的一些缺点，GCL是通过数据增强来构造对比视图，然后通过最大化对比视图之间的互信息来提供自监督信号。但是目前的数据增强技术都有着一定的缺点结构增强随机退出节点或边，容易破坏用户项目的内在本质特征增强对每个节点施加相同的尺度噪声增强，忽略的节

Mean-ShiftedContrastiveLossforAnomalyDetectionAbstract这篇文章探讨了异常检测领域的一个关键问题，即如何通过使用预训练特征来提高异常检测性能。研究者首先介绍了异常检测的背景和现有方法，指出了使用自监督学习和外部数据集预训练特征的潜力。然后，他们详细分析了标准对

Pretitle:SimCSE:SimpleContrastiveLearningofSentenceEmbeddingsaccepted:EMNLP2021paper:https://arxiv.org/abs/2104.08821code:https://github.com/princeton-nlp/SimCSEref:https://zhuanlan.zhihu.com/p/368353121关键词：contrastivelearning,sentenc

【该文章为杨学长的文章，膜拜】 探索跨领域数据中的内在关系并学习领域不变表示 由于需要在低光照条件下实现24h的人脸识别，近红外加可见光的(NIR-VIS)人脸识别受到了更多的关注。但是数据标注是一个难点。该文章提出了RobustcrossdomainPseudo-labelingandContrastivelear

CrossPoint:Self-SupervisedCross-ModalContrastiveLearningfor3DPointCloudUnderstanding本文提出一种简单的跨模态3维—2维区域对应模块，分别将点云模态和图像模态提取的特征向量重新投影到一个公共的特征空间中，并基于最大化与模态无关的互信息的思想设计对比学习损失

Note：[wechat：Y466551|可加勿骚扰，付费咨询]论文信息论文标题：Contrastivetransformerbaseddomainadaptationformulti-source cross-domainsentimentclassification论文作者：YanpingFu,YunLiu论文来源：2021aRxiv论文地址：download论文代码：download视屏讲解：click1

Note：[wechat：Y466551|可加勿骚扰，付费咨询]论文信息论文标题：LightGCL:SimpleYetEffectiveGraphContrastiveLearningforRecommendation论文作者：Cai,XuhengandHuang,ChaoandXia,LianghaoandRen,Xubin论文来源：2023ICLR论文地址：download 论文代码：download视

对比自监督学习技术是一种很有前途的方法，它通过学习对使两种事物相似或不同的东西进行编码来构建表示。Contrastivelearning有很多文章介绍，区别于生成式的自监督方法，如AutoEncoder通过重建输入信号获取中间表示，ContrastiveMethods通过在特征空间建立度量，学习判别不同类型的输

    要说到对比学习（ContrastiveLearning），首先要从自监督学习开始讲起。自监督学习属于无监督学习范式的一种，特点是不需要人工标注的类别标签信息，直接利用数据本身作为监督信息，来学习样本数据的特征表达，并用于下游任务。    当前自监督学习可以被大致分为两类：    Genera

目录概符号说明MotivationDuoRecContrastiveRegularization代码QiuR.,HuangZ.,YingH.andWangZ.Contrastivelearningforrepresentationdegenerationprobleminsequentialrecommendation.WSDM,2022.概对比学习之于序列推荐.符号说明\(\mathcal{V}\),ite

对比学习是一种机器学习技术，算法学习区分相似和不相似的数据点。对比学习的目标是学习数据的表示，以捕捉不同数据点之间的基本结构和关系。在对比学习中，算法被训练最大化相似数据点之间的相似度，并最小化不相似数据点之间的相似度。通常的做法是通过训练算法来预测两个数据点是否

论文信息论文标题：ID-MixGCL:IdentityMixupforGraphContrastiveLearning论文作者：GehangZhang.....论文来源：2023aRxiv论文地址：download 论文代码：download视屏讲解：click介绍    

1.motivation利用语义对比学习2.network (1)输入的是低光图像首先经过图像增强的网络（Zero-DCE),再将它传入语义分割网络中（2）语义分割网络用的是DeepLabv3+