本文提出了一种使用图神经网络和对比学习的社交机器人检测方法 SEBot，通过优化图结构和子图层次结构，以及允许跨越同质性假设的消息传递方式，提高了对社交机器人的鲁棒性，并通过多视角对比学习增强了检测性能。实验结果表明，与现有方法相比，该方法显著提高了社交机器人检测的性能。

May, 2024

本文提出了一个名为 SE-GSL 的通用图结构学习框架，通过结构熵和在编码树中抽象的图层次来优化图结构的质量和可解释性，它对于各种图神经网络模型具有增强鲁棒性的作用。

Mar, 2023

此篇论文主要针对大规模图形表示学习的高成本问题，提出了自适应视图图神经编码器（AVGE）以及结构感知的群体判别（SAGD）方法，通过这两个方法，能够将大规模数据集的训练和推理成本显著降低 250 倍，并且不会丧失下游任务性能。

Mar, 2023

在本研究中，我们理论上证明了数据集的熵可以通过在图的不同视图之间最大化互信息的下界来近似计算，即熵由神经网络估计。基于这一发现，我们提出了一种简单而有效的子集采样策略，以对数据集的视图之间进行配对表示的对比，我们通过从给定图中随机采样节点和边，构建输入子集用于视图。然后，两个视图输入到一个参数共享的 Siamese 网络中，用于提取高维嵌入并估计整个图的信息熵。我们通过同时使用两个目标来优化网络的学习过程，其中对比损失函数的输入包括正例和负例对。我们的对比选择策略与以前的方法不同，并根据视图间的相似性选择节点来增强图编码器的表示能力。我们通过在相似性得分的指导下选择高度相似的样本和完全不同的数据来丰富正例和负例对的多样性。我们还引入了一个跨视图一致性约束，以保证从整个图的角度来看，所学到的表示在不同视图之间是一致的。我们在七个图形基准上进行了大量实验证明，所提出的方法在性能上与当前最先进的方法相当。本文一旦被接受将公开发布源代码。

Jul, 2023

提出了一种名为 InfoGCL 的基于信息瓶颈原则的信息感知图对比学习框架，与最新的图像对比学习方法统一，在节点和图分类基准数据集上进行了实证验证，取得了显著的效果优于现有技术。

Oct, 2021

本文提出了 ENGAGE (ExplaNation Guided data AuGmEntation) 方法，其中使用了平滑激活映射作为非监督解释方法，指示节点在表示学习中的重要性，以指导对比增强过程来保留图中的关键部分并探索去除多余信息。实验结果表明 ENGAGE 显著提高了表示学习性能。

Jul, 2023

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

本文提出了一种基于对比方法的无监督图表示学习框架，利用对节点进行的对比目标学习节点表示，包括结构和属性层面的图视图生成，实验证明本方法在各种真实世界数据集上的表现均优于现有最新技术方法，特别是在跨学科学习任务中，甚至超过监督方法，具有广泛的应用潜力。

Jun, 2020

自我监督图表示学习是最近在生物信息学和社交网络等领域显示出相当潜力的技术。本文介绍了一种名为 Graph Pooling ContraSt（GPS）的新方法，通过重新思考图池化（graph pooling）并利用其自动生成多尺度的正视图，从而在相似性学习和一致性学习的共同对比学习框架中将强增强视图和弱增强视图结合起来，并对编码器进行对抗训练以提高其对抗鲁棒性。实验结果验证了该方法在图分类和迁移学习任务中的优越性。

Jan, 2024

通过设计一种统一框架，EMVGC-LG，能同时捕获局部和全局信息，优化了聚类质量，提高了多视图图聚类的效率。

Aug, 2023