本文介绍了一种基于实例级去相关视角的简洁而有效的图对比学习框架（SGCL），在各种图基准测试中展现出与更少参数，更低时间和空间成本以及显著的收敛加速相比具有竞争性的性能。

Dec, 2023

提出一种基于自我监督学习的图形表示学习框架 (Graph Barlow Twins)，采用基于互相关的损失函数，不需要负样本，并且不依赖于非对称神经网络结构 (BGRL)，能够在短时间内实现与最佳自我监督方法和完全监督方法相媲美的结果。

Jun, 2021

本文提出了一种新颖的图表示学习方法 RGRL，它学习自图本身生成的关系信息，并通过全局和局部两个角度来考虑节点之间的关系，从而克服了以前对比和非对比方法的局限性，取得了最佳结果。

Aug, 2022

本文探讨了在大规模情况下有效和高效地部署图神经网络的问题，并介绍了我们在 Open Graph Benchmark Large-Scale Challenge 上使用的两个大规模 GNNs 模型的性能。通过这项工作，我们展示了可扩展的自监督图表示学习的证据和非常深层次的 GNNs 的实用性。

Jul, 2021

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

本文介绍了一种使用 BYOL 自我监督学习方法的异质图神经网络模型，通过对网络模型和元路径视角进行高层表达来解决异质图生成高质量对的困难问题，并在实际数据集上展示了良好的性能。

Jan, 2022

本文提出了一种新的基于图形的自监督学习框架 AFGRL，能够为节点分类、聚类和相似性搜索等节点级任务提供更好的性能，而这种方法不需要设计复杂的数据增强技巧。

Dec, 2021

自我监督学习已成为一种强大的技术，通过利用未标记数据中的嵌入信号而不依赖昂贵的注释标签来预训练深度学习模型。本文介绍了一种新的非对比自我监督学习方法，以显式生成组合关系图（ExGRG）来克服图结构数据的语义改变和反直觉性增强的挑战，并展示其在图表示学习中的优越性。

Feb, 2024

提出了一种新的基于 Group Discrimination 的方法 Graph Group Discrimination (GGD)，以简单的二元交叉熵损失代替相似性计算直接区分两组节点样本，相比于 GCL 方法，GGD 具有更高的计算效率和更少的训练轮数，并在八个数据集上表现优于现有的自监督方法。

Jun, 2022

我们开发了 SGR，这是第一个我们所知的以自监督方式学习图形表示的方法，它基于谱图分析，无缝结合了所有所需的理想属性，可用于大型图形集合，可促进自监督表示学习，并在不重新训练的情况下表现竞争优势。

Nov, 2018