利用子图构建长距离依赖关系来改善低数据环境下节点分类的性能，并提出了一种名为 Muse 的自监督学习框架，通过联合捕获局部结构和长距离依赖关系，提高了图中节点的表示表达能力。

Apr, 2024

本文研究了自监督的异构图神经网络，并提出了一种名为 HeCo 的新型协同对比学习机制，用于异构信息网络的节点嵌入学习，该方法利用两个视图提取两种嵌入，确保两个视图之间相互监督，学习高级节点嵌入，并使用两种 HeCo 扩展生成更难的高质量负样本，提高了性能。

May, 2021

本文研究如何利用对比学习增强异构图神经网络的自我监督学习，提出了一种名为 HeCo 的新型协同对比学习机制，该机制使用交叉视图对比学习方法，学习节点嵌入以捕捉局部和高阶结构，并提出两种方法来生成更难的负样本以提高性能。最终获得包含不变因素和视图特定因素的高级节点嵌入。

Apr, 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

学习异质图的节点级表示对于欺诈者检测和蛋白质功能预测等各种应用至关重要。为了解决传统节点表示无法捕捉高阶图结构的问题，我们提出了一种新颖的多视图对比学习方法，通过在图上集成扩散滤波器，捕捉异质图中的结构等价性，发现传统节点表示中隐含的关系和相似性。我们的方法在合成和真实结构数据集上优于基准方法，在 Cornell 上比最佳基准方法提高了 16.06%，在 Texas 上提高了 3.27%，在 Wisconsin 上提高了 8.04%。此外，我们的方法在近邻任务上始终表现出卓越的性能，证明了其在揭示结构信息和改进下游应用方面的有效性。

Aug, 2023

该研究提出了一个多视角方法和多样化预文本任务引入的框架，即 Multi-view Graph Encoder (MVGE)，以捕捉图形中的不同信号，并在合成和现实数据集上进行了广泛实验，并显示出显着的性能改进。

Apr, 2023

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

在本文中，我们探索在无监督或半监督方式下，针对多通道网络中的节点学习表征的问题，并通过在图处理过程的不同层次上进行多样化的信息融合方案的详细分析和实验评估，提出了在处理多通道网络时如何构建 GNN 架构的改进方法。

Feb, 2024

用图对比学习的框架，我们提出了一种多节点中心子图对比表示学习方法，以自我监督的方式学习图中节点的表示，通过对中心节点的一系列节点中心区域子图进行精心设计，通过对同一节点的不同子图之间的互信息进行对比损失的最大化来实现。对各种真实世界数据集和不同下游任务的实验证明，我们的模型取得了最先进的结果。

Aug, 2023

本研究提出了一种基于图神经网络的半监督学习方法，通过多次无监督的一致性优化，利用集成学习策略在多个视觉场景解释中实现多任务同时学习的高精度预测表现。

Oct, 2020