提出了一种名为 GraphAug 的原则性框架，该框架引入了一个强大的数据增强器，生成去噪的自监督信号，增强推荐系统的性能。该框架通过自适应地调整对比视图生成，自动地提炼信息丰富的自监督信息。通过对真实数据集的严格实验评估，得出 GraphAug 模型相对于现有基线方法的卓越性能。

Mar, 2024

本文提出了一种对计算机视觉、图分类和协同过滤等领域特别有用的图相似性计算方法。此方法称为自监督图相似性学习，其基于对图像对的图形匹配任务和自学来训练的一种对比学习框架，可以更好地揭示图像的差异和共性，并跨越不同的图形对进行一致性识别。此方法依赖于具有有效单个图表示的现有图形神经网络，同时启用交叉图和交叉视图互动以增强节点表示的一致性和区分度，并通过汇集操作将节点表示转换为图级表示进行图相似性计算。

May, 2022

本研究提出了一种图形比较学习 (GraphCL) 框架，通过图形增强等多种方式对图形数据进行无监督学习来学习表示。结果表明，即使不使用复杂的 GNN 架构，GraphCL 框架也可以生成类似或更好的通用性、可转移性和鲁棒性的图形表示。

Oct, 2020

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

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

本研究探讨了图像对比学习在图像分类中的成功应用，并提出了一种适用于图结构数据的标签不变增强方法，旨在提高半监督学习的表现。该方法在表征空间中进行增强，仅在最困难的方向生成样本，并通过有效结合图像旋转、剪裁及翻转等形式进行实验验证。结果表明，该方法优于基于图神经网络和图对比学习的其他方法。

May, 2022

本研究提出了 SelfGNN，它是一种基于对比自监督技术的图神经网络，采用批量标准化和四种图形特征增强技术来实现无监督学习。除了使用常用的图形拓扑增强技术（TA），实验证明我们提出的特征增强（FA）能够与 TA 同样好地发挥作用，而且没有计算开销。在七种公开数据集上的实验结果表明，SelfGNN 表现出较高水平的性能，与 SOTA 监督 GNN 性能相当，并且始终优于 SOTA 半监督和无监督 GNN。

Mar, 2021

本研究通过引入图消息表示图数据，并提出了一种新颖的图消息增强（GMA）方法，为图的自监督学习任务提供了通用且更有效的图数据增强方案。通过引入 GMCL 方法，采用指导属性的通用 GMA 进行图对比学习，实验证明了所提出的 GMA 和 GMCL 方法的有效性和优势。

Jan, 2024

本文提出了一种基于对抗性图增强策略的自监督学习框架 adversarial-GCL，解决了传统图对比学习方法捕获冗余图特征的问题，实验证明该方法在无监督、迁移和半监督学习任务中均可达到较好的性能。

Jun, 2021