SE-HSSL 是一个基于超图的自我监督学习框架，通过两个无需采样的目标和一个基于层次关系的对比目标来解决超图自我监督学习模型中的负样本采样偏差和计算效率问题。实验证明，与现有方法相比，SE-HSSL 在有效性和效率上都具有优势。

Apr, 2024

本文综述了基于自监督学习技术在图数据中的应用，提出了一个统一的数学框架，并将这些方法根据预文本任务的目标分为四类，并描述了在各个研究领域中的应用及所采用的数据集，评估基准，性能比较和开源图形 SSL 代码。

Feb, 2021

本文介绍了在图形数据上进行自监督学习的方法，并将其分为对比、生成和预测三种类型，同时对常用数据集、指标、算法进行了总结，并讨论了未来研究方向。

May, 2021

自我监督学习已成为一种强大的技术，通过利用未标记数据中的嵌入信号而不依赖昂贵的注释标签来预训练深度学习模型。本文介绍了一种新的非对比自我监督学习方法，以显式生成组合关系图（ExGRG）来克服图结构数据的语义改变和反直觉性增强的挑战，并展示其在图表示学习中的优越性。

Feb, 2024

本文提出了一种基于潜在图预测的自我监督学习框架 LaGraph，通过其理论上的自我监督上界来学习预测未观察到的潜在图。在实验中得到了相对于其他相关方法在性能上的提高和对样本减少的鲁棒性提升的证明。

Feb, 2022

本文旨在探究无监督自我监督学习在图神经网络中的应用，通过多个实验任务深入理解 SSL 在 GNNs 中的表现，研究了该方法何时、为什么以及哪些策略下的效果最佳，提出了新的 SelfTask 方向来创建先进的预训练任务，并在各种真实世界数据集上实现了最先进的性能。

Jun, 2020

为优化基于超图的数据表示学习中的超图结构，我们提出一种名为 DeepHGSL 的深度学习超图结构学习的通用范式，并引入信息瓶颈原理来构建损失函数，以减少超图结构中的噪声信息，从而提取更加鲁棒的特征表达，在四个基准数据集上的实验结果表明了模型的有效性和鲁棒性。

Aug, 2022

本论文介绍了自监督学习在图神经网络上的应用，将其方法分为对比模型和预测模型并提供统一的框架，在 SSL 方法和数据集上提供了概述和标准化的测试平台。

Feb, 2021

本文介绍了 HyperSAGE，这是一种新的超图学习框架，它使用了双层神经消息传递策略来准确高效地通过超图进行信息传播，并比基准数据集上的现有方法表现更好，具有更高的表达能力和更稳定的节点表示。

Oct, 2020

本文介绍 HyperGCN，一种用于属性超图上的半监督学习以及组合优化的图卷积网络，旨在解决超图中普遍存在的复杂关系建模问题。

Sep, 2018