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

本文提出了一种基于对比方法的无监督图表示学习框架，利用对节点进行的对比目标学习节点表示，包括结构和属性层面的图视图生成，实验证明本方法在各种真实世界数据集上的表现均优于现有最新技术方法，特别是在跨学科学习任务中，甚至超过监督方法，具有广泛的应用潜力。

Jun, 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

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

本文介绍了一种用于自监督图数据表示学习的概念简单而有效的模型，其通过数据增强生成输入图的两个视图，并通过受经典标准相关分析启发的创新特征级目标进行优化，旨在学习不变表示，并通过不同维度中的相关特性来防止退化解决方案，最终在七个公共图数据集上表现竞争力。

Jun, 2021

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

通过对子图取样，在不同尺度上生成全局和局部视图，并根据它们的语义关联构建多种对比关系，以提供更丰富的自监督信号，从而实现对细粒度语义信息的表征。在八个图分类现实世界数据集上进行的大量实验和参数分析充分证明了该方法的有效性。

Mar, 2024

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

利用子图构建长距离依赖关系来改善低数据环境下节点分类的性能，并提出了一种名为 Muse 的自监督学习框架，通过联合捕获局部结构和长距离依赖关系，提高了图中节点的表示表达能力。

Apr, 2024

提出了一种基于自监督的子图对比 (Subg-Con) 的图表示学习方法，有效捕捉了大规模图数据中的区域结构信息，在弱监督、模型可伸缩性和并行性等方面具有显著的性能优势。

Sep, 2020