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

我们提出了一个新颖的自监督预训练框架，用于异构超图的自监督预训练。该方法能够在数据中自主捕捉实体之间的高阶关系，并在超图中使用信息表示来同时学习实体的局部和全局表示。实验结果表明，我们的框架能够提高各种超图模型在不同下游任务上的性能。

Nov, 2023

本文提出了一种针对图数据集的预训练策略和自监督方法，通过在节点和整个图级别上预训练表达力强的 GNN，以便 GNN 可以同时学习有用的局部和全局表示，并在多个图分类数据集上进行系统研究，发现我们的策略可避免负面转移并显着提高下游任务的泛化性能，最终达到了在分子性质预测和蛋白质功能预测方面的最先进性能。

May, 2019

本文提出了 PairE，一种新的无监督图嵌入方法，使用两个匹配的节点作为嵌入的基本单元以捕捉节点关系和边缘信号，并利用多自监督自编码器完成两个预处理任务以提高性能，实验证明在边缘分类和节点分类任务上有相对较高的性能提升。

Mar, 2022

提出一种基于对比学习的迭代图形自蒸馏方法（IGSD），可以在无监督情况下自动学习图形级别的表示，并且将其扩展到半监督情况和自训练中，实验表明，在各种图形数据集中，IGSD 在无监督和半监督设置下均获得了显著的性能提升，证明其优越性。

Oct, 2020

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

本文提出通过选择训练集中已有的合法图形作为正例，结合基于特定领域相似度测量和分层图编码相似关系进行抽样的方法，解决了当前方法中正例缺失图信息甚至产生非法实例的问题，并且引入自适应节点级训练方法，提取五个关键词：图实例对比学习、图神经网络预训练、正例图实例、基于特定领域的成对相似度测量和自适应节点级预训练。

Jun, 2022

我们提出了一种新颖的解决方案，双层图自监督预训练与图形模体发现（DGPM），通过引入独特的双层预训练结构来解决拓扑学习有限，依赖人类知识和多级交互无力等挑战。在 15 个数据集上的大量实验证实了 DGPM 的有效性和普适性，在无监督表示学习和迁移学习设置中优于最先进的方法。自主发现的模体展示了 DGPM 提升鲁棒性和可解释性的潜力。

Dec, 2023

本文提出了一种基于拓扑信号驱动的自监督学习方法，通过使用多尺度的拓扑信息特征和具有高结构等价性的非邻居节点对之间的拖拽作用，解决了现有图神经网络中的邻近偏见问题，并在七个图数据集上的节点分类任务中有效提高了模型性能。

Dec, 2022

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