本文提出了一种特征级方法，即采样合成难负样本用于对比学习（SSCL），以更有效地利用更难的负样本。该方法通过混合负样本生成更多且更难的负样本，然后通过控制锚定样本与其他负样本的对比度的方式进行采样，并且考虑到假负样本的可能性进一步消除了负样本。这种方法提高了不同图像数据集的分类性能，并可以轻松集成到现有方法中。

Apr, 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

提出了一种基于对抗样本生成机制的无监督图学习方法 CGC，它能够让模型获取高质量的正负样本对，避免了传统无监督学习方法中出现的 False Negative 问题，其在多个数据集上与传统无监督学习方法和一些 SOTA 图对比学习方法相比实现了令人满意的结果。

Jul, 2022

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

本文介绍了一种平滑图对比学习模型（SGCL），它利用了扩充图的几何结构来在对比损失中注入与正负节点对相关的接近信息，从而显著规范化学习过程，并通过针对负样本的三种不同平滑技术调整对比损失中节点对的惩罚，以提高在大规模图上的可扩展性，通过在各种基准测试中的大量实验证明了该框架相对于最近的基准方法的优越性。

Feb, 2024

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

在图对比学习中，我们提出了一种名为 DropMix 的新方法，用于合成更加困难的负样本，通过选择和混合难负样本的表示维度，减少信息丢失，从而提升图对比学习性能。

Oct, 2023

提出了一种名为 Positive-Unlabeled Contrastive Learning（PUCL）的新型对比学习方法，通过将负样本视为无标签样本，并利用正样本信息来修正对比损失，从而纠正了负采样偏差并提高了性能。

Jan, 2024

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

我们提出了一种名为 Self-Contrastive Graph Diffusion Network（SCGDN）的新框架，其中包含 Attentional Module 和 Diffusion Module 两个主要组件，以实现高效的嵌入和节点状态的平衡，并避免采样偏见和语义漂移，综合利用结构和特征信息进行抽样，并最小化嵌入中的冗余信息以保留更有区分能力的信息。实验结果表明，SCGDN 相比于对照方法和经典方法具有更好的性能。

Jul, 2023