本文提出 SL-GAD 方法来进行图数据中的异常检测，该方法利用生成属性回归模块捕捉属性空间中的异常以及多视角对比学习模块从多个子图中挖掘丰富的结构信息来检测结构空间中的异常，实验结果表明该方法较现有方法具有更好的表现。

Aug, 2021

本研究提出了 SelfGNN，它是一种基于对比自监督技术的图神经网络，采用批量标准化和四种图形特征增强技术来实现无监督学习。除了使用常用的图形拓扑增强技术（TA），实验证明我们提出的特征增强（FA）能够与 TA 同样好地发挥作用，而且没有计算开销。在七种公开数据集上的实验结果表明，SelfGNN 表现出较高水平的性能，与 SOTA 监督 GNN 性能相当，并且始终优于 SOTA 半监督和无监督 GNN。

Mar, 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

在图数据上的深度学习、自监督学习、图对比学习和以数据为基础的图学习的实际应用是这篇综述的主要内容。

May, 2024

本文介绍了在图形数据上进行自监督学习的方法，并将其分为对比、生成和预测三种类型，同时对常用数据集、指标、算法进行了总结，并讨论了未来研究方向。

May, 2021

本文提出了一种基于对抗性图增强策略的自监督学习框架 adversarial-GCL，解决了传统图对比学习方法捕获冗余图特征的问题，实验证明该方法在无监督、迁移和半监督学习任务中均可达到较好的性能。

Jun, 2021

本研究提出了一种图形比较学习 (GraphCL) 框架，通过图形增强等多种方式对图形数据进行无监督学习来学习表示。结果表明，即使不使用复杂的 GNN 架构，GraphCL 框架也可以生成类似或更好的通用性、可转移性和鲁棒性的图形表示。

Oct, 2020

我们提出了一种名为 Self-Contrastive Graph Diffusion Network（SCGDN）的新框架，其中包含 Attentional Module 和 Diffusion Module 两个主要组件，以实现高效的嵌入和节点状态的平衡，并避免采样偏见和语义漂移，综合利用结构和特征信息进行抽样，并最小化嵌入中的冗余信息以保留更有区分能力的信息。实验结果表明，SCGDN 相比于对照方法和经典方法具有更好的性能。

Jul, 2023

本研究提出了两种基于对比自监督学习（CSSL）的方法来缓解过拟合的问题，具体地，我们使用 CSSL 对图形编码器进行预训练，并在标记后的图形上调整预先训练的编码器。我们还开发了一个基于 CSSL 的正则化器，同时解决监督分类任务和无监督 CSSL 任务。通过数据增强的方式，定义了对比损失来学习图形编码器。实验结果表明，我们提出的方法在各种图形分类数据集上都非常有效。

Sep, 2020

本研究对自监督学习中采用对比学习方法的常见预训练任务及各种方法进行了广泛的回顾，并通过图像分类，目标检测和动作识别等多个下游任务的性能比较，探讨了当前方法的限制以及未来发展方向。

Oct, 2020