该论文提出了一种统一框架，名为 GraphLoG，用于自监督整图表示学习，其除保留本地相似性外，还引入了分层原型来捕捉全局语义簇，进一步发展了一个高效的在线期望最大化算法来学习该模型，并在化学和生物基准数据集上进行了广泛实验，证明所提出的方法的有效性。

Jun, 2021

本文提出了两种无监督自学习策略来利用输入图形结构数据中的可用信息，以进一步改善有限的训练数据下模型的学习能力和性能。该方法在三个公共引文网络数据集上使用两个代表性的 GCN 模型进行了实验验证，展示了其在显著提高特征学习方面的自我监督学习能力和可移植性。

Jun, 2020

该研究介绍了一种基于自监督学习的方法，通过在医学图像中结合区域解剖学和患者特征学习对肺部 CT 图像进行分析，从而在 COVID-19 病人中定量量化疾病的临床进展并标识图像中与疾病相关的区域。

Dec, 2020

该研究探讨了利用空间上下文作为丰富的视觉表征的监督信号的方法。通过从每个图像中提取随机配对的路径来训练卷积神经网络，用于预测第二个路径相对于第一个路径的位置，从而实现对目标的识别，并证明该方法在性能上优于其他算法。

May, 2015

本文提出了一种名为 “自监督图学习” 的新学习范式，通过生成多个节点视图，使用节点丢弃、边丢弃和随机游走三种不同的图结构方式来增强基于用户 - 物品图的图卷积网络的表示学习性能，从而提高推荐的准确性和鲁棒性。理论分析和三个基准数据集上的实证结果验证了该方法的有效性。

Oct, 2020

研究多图之间自监管的通用特征学习问题，提出了一种使用 transformer 和 neighborhood aggregation 模块来将多个具有不同特征的图的结点向量映射到通用向量空间的方法，实现了在多个相同类型图之间学习通用特征，并在节点分类任务上取得了比只用单一个图进行自监管学习更好的效果，填补了自监管和有监管学习间的差距和提高图自监管学习的表现。

May, 2023

本文提出了一种基于 gossip 通信和 mutual attention 机制的 GOAT 算法，无需任何附加文本特征，仅仅通过图的结构就能提取高质量的上下文敏感节点表示。我们使用 6 个真实数据集对 GOAT 进行了比较，并与 12 个流行和最先进的基线进行了比较，发现 GOAT 在链接预测和节点聚类方面的表现均优于其他方法，相对最佳性能方法的提高率达到 12% 和 19%。

Mar, 2020

本文提出了一种使用全局信息进行固定表示学习并使用局部注意力机制学习上下文节点表示的框架 SLiCE 解决了节点的应用背景信息不足的问题，不用预定义的 metapaths 就能自动学习特定任务的上下文信息，与现有的静态和上下文嵌入方法相比，在多个公开基准网络数据集上显着优于其他方法，并解释了语义关联矩阵在成功预测异构节点之间链接方面的效用和相关性。

Jul, 2020

本文提出了一种基于潜在图预测的自我监督学习框架 LaGraph，通过其理论上的自我监督上界来学习预测未观察到的潜在图。在实验中得到了相对于其他相关方法在性能上的提高和对样本减少的鲁棒性提升的证明。

Feb, 2022

提出了基于全局和局部特征表示的多网络对比学习框架，通过多个网络引入自监督对比学习的全局和局部特征信息，并通过对比由多个网络生成的嵌入对来学习图像不同尺度上的特征信息，并扩展对比样本数，提高了模型的训练效率。在三个基准数据集上的线性评估结果表明，我们的方法优于几种现有的经典自监督学习方法。

Jun, 2023