使用图神经网络在元基因组组装图的自监督学习框架中，将 DNA 序列分类为重复与非重复类别，通过结合测序特征和预定义及学习的图特征，GraSSRep 实现了领先业界的重复检测性能。

Feb, 2024

本研究提出了一种名为 Cluster-aware Iterative Contrastive Learning (CICL) 的新方法，用于单细胞 RNA 测序 (scRNA-seq) 数据聚类，通过迭代表示学习和聚类框架逐步学习 scRNA-seq 数据的聚类结构，取得了较好的聚类结果。

Dec, 2023

本文介绍一种基于对比学习的图聚类模型 CGC，它能够学习节点表征和群集分配，支持静态和动态图的聚类，并能检测变化点。实验表明，该模型在真实世界的图聚类中表现卓越。

Apr, 2022

提出了一种针对可靠染色体分类训练的监督对比学习策略，通过在潜在空间中提取细粒度的染色体嵌入，扩大了类间边界和减少了类内差异，提高了预测染色体类型的准确性，可以显著提升深度网络的泛化性能。

Dec, 2023

基于同源图网络编码器和节点相似性构建正样本，我们提出了融合上下文信息和结构信息的 k-mer 嵌入方法，用于鲁棒的序列表示，从而在编辑距离近似和最接近字符串检索任务中，始终优于先前技术。

Dec, 2023

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

提出一种名为 Simple Contrastive Graph Clustering (SCGC) 的算法，从网络架构、数据增强和目标函数三个方面改进现有方法，通过简单的低通滤波去噪操作和两个多层感知器 (MLPs) 作为骨干网络，通过构建 siamese 编码器和直接损坏节点嵌入来实现数据增强，设计了新的跨视图结构一致性目标函数来提高网络的判别能力，实验结果表明，在七个基准数据集上，该算法比最近的对比深度聚类竞争对手快至少七倍，并取得了显著的性能优势。

May, 2022

提出了一种新的基于 Group Discrimination 的方法 Graph Group Discrimination (GGD)，以简单的二元交叉熵损失代替相似性计算直接区分两组节点样本，相比于 GCL 方法，GGD 具有更高的计算效率和更少的训练轮数，并在八个数据集上表现优于现有的自监督方法。

Jun, 2022

本文提出一种聚类学习框架 CARL-G，使用 Cluster Validation Indices（CVI）衡量质量，适用于不同的聚类方法，相对于基线提高了 79 倍的训练速度，并在节点聚类和相似性搜索任务中表现出色。

Jun, 2023

近年来，单细胞 RNA 测序领域的聚类方法得到了大量发展，然而大多数已有的聚类算法往往忽略基因之间的网络结构，并以属性信息为主要依据，本文提出了一种先进的单细胞聚类模型，通过双图对齐的方式整合了基因网络信息，优化聚类结果并保留了细胞与基因之间的关联，从而更准确地获得细胞亚群，并生成更接近真实生物场景的聚类结果，为早期疾病诊断和治疗奠定了基础。

Nov, 2023