热点事件历史事件
研究者提出图对比学习框架SAC-GCL
1 篇报道1 个报道来源4 天前更新
先了解这件事
AI 综述
2026年10月30日，研究人员在 arXiv 上发布论文，提出了面向图对比学习的结构感知压缩框架 SAC-GCL。该框架旨在克服传统随机扰动生成视图的不足，通过结构分解提取图中的高内聚子图并将其压缩为超节点，以此构建出能够保留局部密度与高阶宏观结构的粗化图视图。此外，该框架利用多种内聚子图模型生成互补视图，并借助分层视图编码器处理多分辨率信息。在 6 个基准数据集上的实验结果表明，相比传统的随机扰动方法，SAC-GCL 能够生成更鲁棒且具判别力的图表征。
AI 根据报道生成 · 3 天前更新
最新进展10月30日 12:00
研究者在arXiv发布论文，提出基于结构感知压缩的图对比学习框架SAC-GCL。报道时间线
沿着报道，了解事件的不同侧面。
10月30日
- arXiv cs.LGSAC-GCL：面向图对比学习的结构感知压缩
SAC-GCL 提出了一种用于图对比学习的结构感知压缩框架，通过结构分解提取高内聚子图并压缩为超节点，构建保留局部密度与高阶宏观结构的粗化图视图。该框架利用多种内聚子图模型生成互补视图，并通过分层视图编码器处理多分辨率信息。在 6 个基准数据集上的实验表明，该方法相比随机扰动能生成更鲁棒且具判别力的图表征。
本事件热度走势
当前热度 3·可比范围峰值 7（10月31日 02:00）·近 24 小时可比范围变化 -49%
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。