本文提出了一种基于对比学习的图卷积网络模型（ConGCN）来增强高光谱图像分类任务的特征表示能力，通过使用半监督对比损失函数和图生成损失函数从光谱信息和空间关系中挖掘出最大的监督信号。实验结果表明，该模型在四个典型的基准数据集上取得了显著的性能提升。

May, 2022

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

本文首次对将自我监督技术应用于操作图形数据的图卷积网络（GCNs）进行了系统探索和评估。通过提出三种机制，分析预训练和微调以及自我训练的局限性，然后专注于多任务学习，并提出了三个新的自我监督学习任务的理论原理和数值比较。最后，将多任务自我监督整合到图形对抗性训练中。实验结果表明，适当设计任务形式和整合机制可以使 GCNs 获得更强的普适性和稳健性。

Jun, 2020

本文探讨了自监督学习在异构图表征学习中的表现，并提出了一种基于度量的自监督预训练策略来增强 GRN 的图结构捕捉能力。实验结果表明，该预训练策略在分子属性预测和蛋白质功能预测任务中取得了最先进的性能。

Jun, 2023

本文提出了一种名为 Dis-HGCN 的解缰离散超几何异构图卷积网络，旨在通过独立的信息传播来解缰语义特征和结构特征，以及通过超几何结构拉近数据分布和表示空间的差距，并在诸多真实世界异构图数据集上进行验证，结果证明其在超几何空间中解缰和表示异构图数据的有效性。

Jun, 2024

本文提出了一种名为 VICRegL 的新方法，该方法可以同时学习好的全局和局部特征，从而在检测和分割任务上取得出色的性能，同时保持分类任务上的良好性能。

Oct, 2022

该论文提出了一种新的自我训练方法 (DR-GST)，通过 dropout 变分推理和 dropedge 变分推理来恢复标注数据集的分布，并利用 loss 校正方法来提高伪标签的质量，在五个基准数据集上都取得了良好的效果。

Jan, 2022

该论文提出了三个新的自监督辅助任务，以多任务的方式训练基于图的神经网络模型，使用图卷积网络作为构建块，在标准半监督图分类任务上实现了有竞争力的结果。

Nov, 2020

本文提出了一种用于高光谱图像 (HSI) 聚类的多级图像子空间对比学习 (MLGSC) 模型，通过构建图卷积子空间、局部全局图表示和多级对比学习，有效提高了聚类准确性。在四个常见的 HSI 数据集上进行评估，结果显示该模型的整体准确率显著优于当前最先进的聚类方法。

Apr, 2024

本文提出了一种新颖的基于图卷积网络的 SSL 算法，通过利用数据相似性和图结构来丰富监督信号，从而改善了现有方法的性能。该算法通过设计半监督对比损失和图生成损失提取潜在的关系，并在各种实际数据集上取得了显著的分类性能，与现有最先进的方法进行了比较。

Sep, 2020