文章介绍了通过对比不同结构视图的图表达学习来实现自监督学习，相对于多视图或多尺度编码，通过对比一阶邻居和图扩散编码能够获得最佳表现。该方法在 8 个节点和图分类基准测试中取得了新的最佳结果，在 Cora（节点）和 Reddit-Binary（图）分类基准测试中，取得了 86.8％和 84.5％的准确性，在 4 个基准测试中优于有监督的基线。

Jun, 2020

本文提出了一种名为 Graph Contrastive Learning（GraphCL）的一般框架，以自我监督的方式学习节点表示，通过最大化同一节点的本地子图的内在特征和连接结构的两个随机扰动版本的表示之间的相似性来学习节点嵌入，并使用对比学习损失来最大化它们之间的一致性，证明我们的方法在节点分类基准测试中显着优于无监督学习的现有技术。

Jul, 2020

用图对比学习的框架，我们提出了一种多节点中心子图对比表示学习方法，以自我监督的方式学习图中节点的表示，通过对中心节点的一系列节点中心区域子图进行精心设计，通过对同一节点的不同子图之间的互信息进行对比损失的最大化来实现。对各种真实世界数据集和不同下游任务的实验证明，我们的模型取得了最先进的结果。

Aug, 2023

本文提出了一种新的自适应增强方法，通过设计基于节点中心性和节点属性的增强策略来保留图的内在结构和属性信息，并验证此方法在节点分类任务中优于现有方法和监督学习模型。

Oct, 2020

本文提出了一个新的方法，通过增加对抗性转换和边缘插入的方式来增加学到的表征的对抗鲁棒性，旨在将鲁棒性作为图对比学习中的可行辅助任务。初始实验结果表明该方法具有很好的前景。

Feb, 2021

本文提出了一种用于学习节点表征的自监督方法，通过改进 Siamese 自蒸馏方法和多尺度对比度学习，构建局部和全局两种视图，并采用交叉网络和交换视角两个目标，最大化不同视图和网络的节点表征之间的一致性，该方法在五个真实数据集上实验，不仅取得了新的最优结果，而且优于一些半监督方法。

May, 2021

本文研究如何将对比学习与图神经网络相结合，通过简单的列处理嵌入矩阵来提高节点嵌入的质量，从而在分类任务中取得高达 1.5％的改进和超越 8 项基准测试中的现有最先进方法。

May, 2023

基于表示距离的互信息最大化方法用于量化不同视图的重要性，进而实现更高效的对比学习和表示解耦。通过在频率域提取多视图表示，并基于不同频率之间的互信息重新评估其重要性，本文提出的框架能够有效约束互信息最大化驱动的表示选择，推动多视图对比学习。

Feb, 2024

本研究提出了一种图形比较学习 (GraphCL) 框架，通过图形增强等多种方式对图形数据进行无监督学习来学习表示。结果表明，即使不使用复杂的 GNN 架构，GraphCL 框架也可以生成类似或更好的通用性、可转移性和鲁棒性的图形表示。

Oct, 2020

学习异质图的节点级表示对于欺诈者检测和蛋白质功能预测等各种应用至关重要。为了解决传统节点表示无法捕捉高阶图结构的问题，我们提出了一种新颖的多视图对比学习方法，通过在图上集成扩散滤波器，捕捉异质图中的结构等价性，发现传统节点表示中隐含的关系和相似性。我们的方法在合成和真实结构数据集上优于基准方法，在 Cornell 上比最佳基准方法提高了 16.06%，在 Texas 上提高了 3.27%，在 Wisconsin 上提高了 8.04%。此外，我们的方法在近邻任务上始终表现出卓越的性能，证明了其在揭示结构信息和改进下游应用方面的有效性。

Aug, 2023