GCCM: Migliorare la Predizione su Grafi con Modello di Consistenza Contrastiva
Un nuovo metodo chiamato GCCM (Graph Contrastive Consistency Model) affronta le soluzioni di scorciatoia nell'addestramento alla consistenza per la predizione su grafi. I metodi basati su diffusione esistenti richiedono costose iterazioni di denoising, mentre l'addestramento alla consistenza può collassare in predittori deterministici ignorando i target rumorosi. GCCM mitiga questo incorporando l'apprendimento contrastivo per mantenere la sensibilità al rumore, migliorando stabilità ed efficienza. L'approccio è validato su dataset di riferimento, mostrando risultati competitivi con meno passaggi di inferenza.
Fatti principali
- GCCM sta per Graph Contrastive Consistency Model.
- Si rivolge a soluzioni di scorciatoia nell'addestramento alla consistenza per la predizione su grafi.
- I metodi basati su diffusione richiedono costose iterazioni di denoising.
- L'addestramento alla consistenza può collassare in predittori deterministici.
- GCCM utilizza l'apprendimento contrastivo per mantenere la sensibilità al rumore.
- Il metodo migliora stabilità ed efficienza.
- Validato su dataset di riferimento.
- Raggiunge risultati competitivi con meno passaggi di inferenza.
Entità
Istituzioni
- arXiv