计算机科学>机器学习
标题: 霍奇意识对比学习
摘要: 事实证明,单纯形复合体可以有效地对具有多路依赖关系的数据进行建模,例如沿着网络边缘或在其他高阶结构中定义的数据。 它们的谱可以通过霍奇分解分解为三个可解释的子空间,这在许多应用中都是基础性的。 我们利用这种分解来开发一种对比性的自我监督学习方法,用于处理简单数据并生成封装特定光谱信息的嵌入。 具体地说,我们通过简单的神经网络对相关数据不变性进行编码,并设计增强,以产生具有适合下游任务频谱特性的正对比示例。 此外,考虑到负面示例的霍奇分量与锚的相似性,我们重新权衡了负面示例在对比度损失中的重要性。 通过鼓励在不太相似的实例之间进行更强的分离,我们获得了反映数据光谱特性的嵌入空间。 在两个标准边缘流分类任务上的数值结果表明,即使与监督学习技术相比,也具有优越的性能。 我们的研究结果强调了采用光谱视角对高阶数据进行对比学习的重要性。