本文提出了一种新的图形无监督学习方法，名为 Graph Soft-Contrastive Learning (GSCL)，它能够通过邻域排序进行自我监督学习，而无需依赖于二元对比设置，并且还提出了 GSCL 所需的成对和列表式门控排名 infoNCE 损失函数，以保留邻域中的相对排序关系。

Sep, 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

本研究提出了一个简单而有效的方法，即 FastGCL，它针对图形神经网络的特征（如邻域聚合）构建加权聚合和非聚合邻域信息作为正负样本，通过识别数据的潜在语义信息来快速训练和收敛，从而在节点分类和图分类任务中具有竞争性的分类性能和显着的训练加速。

May, 2022

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

论文提出 ProGCL 模型，通过硬负采样的方式，结合相似度和真实性的概率带来了显著的性能提升，成为当前无监督学习领域的 state-of-the-art 模型之一。

Oct, 2021

对比学习在图学习领域吸引了大量研究兴趣，现有的图对比学习方法需要大规模和多样化的负样本来确保嵌入的质量，但这样会引入虚假的负样本，同时增加了计算负担和时间复杂度，为解决这些问题，提出了一种简单而有效的模型 GraphRank，通过引入基于排名的学习来测量相似度得分，成功地缓解了虚假负样本问题，并将时间复杂度从 O (N^2) 降低到 O (N)，并在多个图任务上展开了广泛实验，证明 GraphRank 在各种任务中表现优异。

Oct, 2023

本文提出了一种名为基于子图网络的对比学习的新框架，用于挖掘子结构与图表征之间的相互作用，可提高图像的非监督和迁移学习性能。

Jun, 2023

提出了一种创新的框架：对抗课程图对比学习（ACGCL），利用成对增强技术生成可控相似性的图级正负样本，并通过子图对比学习鉴别其中的有效图模式。ACGCL 框架内还设计了一种新颖的对抗课程训练方法，通过逐渐增加样本难度来促进渐进学习。最后，通过对六个知名基准数据集进行全面评估，ACGCL 显著超过一组最先进的基准。

Feb, 2024

本文提出了一种新的图对比学习范式 LightGCL，基于奇异值分解对图的对比增强进行单一约束结构的调整，在推荐系统领域具有显著的性能优势和鲁棒性。

Feb, 2023

通过提出节点紧凑度作为度量，证明了基于图对比学习在训练过程中存在不平衡问题，并推导了节点紧凑度的理论形式，提出了一种能够更好地遵循基于图对比学习原则的 PrOvable Training (POT) 方法，在多个基准测试中持续提升了现有的基于图对比学习方法。

Sep, 2023