本研究提出了一种基于光谱扩增的拓扑扩充方法，可以指导 GCL 捕获特征的不变性，实现了自监督表征学习，并带来了更好的泛化能力和抵御对抗性攻击的鲁棒性。

Oct, 2022

本文中提出了一种基于对称拉普拉斯特征值的图形裁剪增强方法和通过全局随机游走的局部子图对齐来改进图对比学习方法，并在不同类型的图表现中体现出更好的性能。

Feb, 2023

本文介绍了一种用于对图和图片进行对比学习的新颖的光谱特征增强方法，通过不完全的幂迭代，可以部分平衡特征图的频谱，注入噪声，从而实现光谱增强，提高了泛化能力，是一种与其他增强策略互补且兼容各种对比损失的方法。

Dec, 2022

本文介绍了一种光谱增强图对比学习模型（SHCL），首次在异构图神经网络中引入了一种光谱增强算法，通过异构图本身学习了一种自适应拓扑增强方案，扰乱了异构图的光谱维度的结构信息，从而最终提高了模型的学习效果。实验结果表明，该模型在多个真实数据集上具有显著优势。

Jun, 2024

图社群在图增强中的关键性优势以及基于图谱变化最大化的社群不变图对拓扑和特征增强的统一约束，提高模型的鲁棒性。

May, 2024

本文提出了一种新的自适应增强方法，通过设计基于节点中心性和节点属性的增强策略来保留图的内在结构和属性信息，并验证此方法在节点分类任务中优于现有方法和监督学习模型。

Oct, 2020

本文介绍了一种基于 Schur 补的随机拓扑增强器，用于图对比学习，通过生成无偏的 Schur 补近似值，提出了一种有效的图像增强方法，实验结果表明该方法在节点分类和图分类任务中达到了最先进的效果。

Jun, 2023

该论文介绍了使用对比学习（CL）进行无监督图表示学习的方法。作者通过探究使用域不可知图形扩充的高性能图像对比学习和 DAGAs 对图形对比学习的影响，提出了几个检查机制和设计任务感知扩充的策略，以提高模型的准确性。

Nov, 2021

本研究旨在改善低标签环境下超图神经网络的泛化性能，提出 HyperGCL 方法，通过应用图像 / 图形上的对比学习方法构建超图的对比视图，其中包括从领域知识指导下的虚构方案以及利用超图生成模型进行数据驱动上的更有效视图的探索。实验结果表明，HyperGCL 在提高超图表示学习的鲁棒性和公平性方面表现出色。

Oct, 2022

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