本文研究如何利用对比学习增强异构图神经网络的自我监督学习，提出了一种名为 HeCo 的新型协同对比学习机制，该机制使用交叉视图对比学习方法，学习节点嵌入以捕捉局部和高阶结构，并提出两种方法来生成更难的负样本以提高性能。最终获得包含不变因素和视图特定因素的高级节点嵌入。

Apr, 2023

通过利用自监督学习，我们提出了一种新颖的生成对比异构图神经网络 (GC-HGNN)，并且在结点分类和链接预测任务中显著超越最新的对比和生成基线模型。

Apr, 2024

本文提出了一种使用自监督对比学习技术、适应性超图视图生成器以及改进的超图编码器的对比式超图神经网络（CHGNN），用于从已标记数据和未标记数据中学习，实验结果表明 CHGNN 在分类准确率方面优于 13 个竞争对手。

Mar, 2023

本文提出了一种新的基于对比学习的关系感知异构图神经网络 RHCO，用于大规模异构图表示学习，相对于传统的异构图神经网络，可以更好地处理复杂异构网络结构，并采用标签平滑技术提高了性能，实验证明在三个大规模学术异构图数据集上 RHCO 取得了最好的性能表现。

Nov, 2022

本文通过结构感知的硬负样本挖掘方案提出了一个基于自监督学习的对比学习方法，可以在少量标记数据的情况下提高异构图分析模型的准确性，并通过三个真实数据集的实证研究验证了该方法的有效性。

Aug, 2021

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

提出了一种结合 GNN 和 Transformer 的新框架，利用 GNN 的局部信息汇聚和 Transformer 的全局信息建模能力解决过度平滑问题，构建了 GTC 体系结构，通过对跨视图信息进行自我监督的对比学习任务实现异构图形表示学习。

Mar, 2024

通过引入生成对抗网络（GAN）以学习图的视图分布，GACN 是一个新颖的生成对抗性对比学习网络，用于图表示学习。经过大量实验证实 GACN 能够为 GCL 生成高质量的增强视图，并且优于十二种最先进的基准方法。值得注意的是，我们提出的 GACN 出乎意料地发现数据增强中生成的视图最终符合在线网络中著名的优先连接规则。

Aug, 2023

我们提出了一种用于异质图的多视角对比学习模型 MUSE，通过使用增强的 GNNs 构建两个视图来捕获离心节点及其邻域的信息，并融合这两个视图的信息进行节点表示，通过融合对比增强效果，使用信息融合控制器建模本地和全局节点 - 邻域相似度的多样性，通过交替训练方案确保无监督节点表示学习和信息融合控制器相互增强，在 9 个基准数据集上实验证明了 MUSE 在节点分类和聚类任务上的有效性。

Jul, 2023

提出了一种名为 CoCoGRL 的新方法来解决图形神经网络在图形分类，无监督学习，域适应等领域中需要大量标记成本的问题，此方法使用图形结构在多个视图上进行对比学习。

Jun, 2023