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

在图表征学习中，提出了一种新的分层对比学习 (Hierarchical Contrastive Learning, 简称 HCL) 框架，采用自适应的 L2Pool 方法进行更合理的多尺度图形拓扑构建，并采用多通道伪孪生网络来进一步扩展各级别内的互信息学习，以获得更丰富和更具层次感的表示。通过实验，HCL 在节点分类、节点聚类和图分类等 12 个数据集上均取得了具有竞争力的性能表现，并且通过可视化显示，HCL 成功捕捉到了图的有意义特征。

Oct, 2022

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

本文提出了一种利用 Graph Contrastive Learning 无人工标注学习图形表示的新范式，并通过对一系列基准任务和各种领域的数据集进行广泛、可控的实验，研究不同的 GCL 组件之间的相互作用，得出了一套有效 GCL 的一般特性与实现技巧。

Sep, 2021

本文提出了一种名为双视角跨图对比学习（DC-GCL）的创新框架，通过增强正样本多样性和可靠性，提供了更多样化和可靠的训练输入，相较于传统的图对比学习方法，DC-GCL 能够在各种基准测试和任务中显著提高性能。

Jun, 2024

局部感知图对比学习 (LACL) 是一种自监督学习框架，通过基于掩膜的建模补充性地捕捉局部图信息，相对于纯粹的对比学习，有效解决了在应用于图数据时过于强调全局模式而忽略局部结构的问题。实验结果验证了 LACL 方法优于当前最先进方法，展示了其作为一种全面的图表示学习器的潜力。

Feb, 2024

图对比学习在图神经网络的强大优势下充分利用丰富的无标签信息来学习图的特征表示，然而现有的方法忽视了高阶图子结构的重要潜在信息，本研究通过引入拓扑不变性和扩展持久性的概念来解决这个限制，提出了一种新的对比学习模式并引入了扩展持久性景观，实验结果表明 TopoGCL 模型在无监督图分类中取得了显著的性能提升。

Jun, 2024

本文提出了一个模型无关框架 HomoGCL，它利用同质现象来扩展正样本集，并结合现有的图形对比学习模型，能够显著提高图形对比学习方法的性能。

Jun, 2023

通过引入知识蒸馏，我们提出了一种新颖的层次化拓扑同构专家嵌入图对比学习方法，用于增强 GCL 模型学习层次化拓扑同构专业知识，包括图层和子图层。与传统的 GCL 方法相比，我们的方法在贝叶斯分类错误上获得更紧的上界，并在真实世界基准测试中表现出了超越候选 GCL 方法的性能优势。

Dec, 2023

本文提出了一种名为 GraphSC 的新型图自我对比框架，它使用图自身通过图增强函数生成正负样本，并使用 Hilbert-Schmidt 独立准则对表示进行分解并引入掩蔽自我对比机制以更好地区分正负样本，同时通过显式减小锚点和正样本之间的绝对距离来加快收敛，并在无监督和迁移学习设置下与其他 19 种最先进方法进行了广泛实验评估。

Sep, 2023