本文介绍了一种利用无监督对比学习来学习有意义的蛋白质结构表示的框架，其利用蛋白质数据银行中的蛋白质，展示了这些表示可以用于解决多种任务，如蛋白质功能预测、蛋白质折叠分类、结构相似性预测和蛋白质配体结合亲和力预测。此外，作者还表明，使用该算法预训练的微调网络在许多任务中取得了新的最优结果。

May, 2022

提出了一种新型的结构保持的图表示学习方法（SPGRL），通过构建特征图对原始图进行对比，在保留全局拓扑结构信息的同时最大化整幅图和特征嵌入的互信息，该方法在简单噪声扰动下表现优异，且针对半监督节点分类任务具有很高的性能。

Sep, 2022

本文提出了一种基于结构和语义对比学习算法框架的简单神经网络 - S^3-CL，用于在无监督情况下学习表达具有全局结构和语义的节点特征，通过实验表明与现有的基于 GNN 的无监督 GCL 方法相比，S^3-CL 在不同的下游任务上可以获得优异的表现。

Feb, 2022

本文介绍了一种融合领域知识的自我监督分子表示学习模型，通过在对比学习框架下显式编码领域知识，将化学领域知识融合到分子图表示中，证明这种方法可以区分具有相似化学公式但不同功能的分子。在 8 个公共数据集上进行的实验表明，该模型具有显著的有效性，相对于强竞争对手平均有 6％的绝对改进。消融实验和进一步的研究也证实了将化学领域知识纳入自我监督学习的最佳方法。

Mar, 2021

该论文提出了一种基于知识的图对比学习框架，利用化学元素知识图来辅助原子表示学习，取得了在药物设计方面的优异表现。

Dec, 2021

我们提出了一种局部结构感知的图对比学习方法 (LS-GCL)，用于从多个视角建模节点的结构信息，并且通过多层对比损失函数来优化模型，实验结果表明我们的方法在节点分类和链接预测任务上均优于最先进的图表示学习方法。

Aug, 2023

本文介绍了一种基于关系对称结构的知识图谱对比学习框架 KGE-SymCL，通过设计可插拔的方法将关系对称位置中的实体作为正样本用于对比学习，同时使用自监督对齐损失来使构建的样本对更加相似，实验结果表明该框架具有很好的泛化能力和优越性。

Nov, 2022

提出了一种知识图谱对比学习的框架 (KGCL)，该框架通过知识图谱增强模式减少了噪声，利用交叉视图对比学习技术进一步抑制了噪声，实现了在稀疏、长尾和有噪声的知识图谱场景下的强大性能。

May, 2022

本文提出了一种图结构学习方法 —— 图结构精炼方法 (GSR)，采用预训练 - 微调管道，通过多视角对比学习和概率估计相结合的方式，提高了图神经网络 (GNN) 的效能和扩展性。

Nov, 2022

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