论文code咨询

[oooo111]

作者你好，在您的code中关于对比学习损失的复现中，其中分母是(cross_sim.sum(dim=1) + inter_sim.sum(dim=1) - cross_sim.diag()))，但是在您的论文公式中分母是三项相加，请问是我的理解不对嘛。谢谢

[hannshu]

oooo111 您好，感谢您的提醒，我们已经注意到文中公式的错误，后续将对错误的公式进行勘误，文中公式6将修正为以下形式：

$$ l(u_i) = \log(\frac{e^{(u_i \cdot vi) / \tau}}{\sum{k \neq i} e^{(u_i \cdot vk) / \tau} + \sum{k} e^{(u_i \cdot u_k) / \tau}}) $$

再次感谢您的提醒，对于您关于公式分母和代码的问题：

• cross_sim.sum(dim=1) - cross_sim.diag()) 表示 cross-view similarity $\sum_{k \neq i} e^{(u_i \cdot v_k) / \tau}$
• inter_sim.sum(dim=1) 表示 internal similarity $\sum_{k} e^{(u_i \cdot u_k) / \tau}$

---

Hi oooo111,

Thank you for your reminder. We have noticed the errors in this formula mentioned in the article, and a correction will be made accordingly. Formula 6 will be revised as follows:

$$ l(u_i) = \log(\frac{e^{(u_i \cdot vi) / \tau}}{\sum{k \neq i} e^{(u_i \cdot vk) / \tau} + \sum{k} e^{(u_i \cdot u_k) / \tau}}) $$

Thank you again for your attention. Regarding your questions about the denominator in the formula and the code:

• cross_sim.sum(dim=1) - cross_sim.diag()) represents the cross-view similarity $\sum_{k \neq i} e^{(u_i \cdot v_k) / \tau}$.
• inter_sim.sum(dim=1) represents the internal similarity $\sum_{k} e^{(u_i \cdot u_k) / \tau}$.

[oooo111]

收到，感谢您的解答。

[oooo111]

作者您好，请问能加您一个联系方式吗，我有点想法想请教请教你。感谢

[hannshu]

oooo111您好，您可以通过邮箱hanshu.npu@gmail.com直接与我联系

[oooo111]

作者你好，我注意到在论文《Graph Contrastive Learning with Adaptive Augmentation》中关于图对比学习的损失函数分母是三项相加，与您的论文stCluster公式相符，但是代码上体现的是两个损失(ui,vk)+(ui,uk)，这使得我有些疑惑，请问您能给我解答下吗。感谢！