Negative as Positive: Enhancing Out-of-distribution Generalization for Graph Contrastive Learning

本文中，图对比学习（Graph contrastive learning，GCL）作为图预训练领域的主流范式，已经取得了相当大的进展。然而，它在分布外泛化（out-of-distribution，OOD）方面的能力相对较少被探索。我们指出，GCL中InfoNCE的传统优化将跨域对限制为仅为负样本，这不可避免地扩大了不同域之间的分布差距。这违反了OOD场景下域不变性的要求，因此影响了模型的OOD泛化性能。为了解决这个问题，我们提出了一种新的策略“负样本作为正样本”，在GCL期间将最具语义相似性的跨域负样本视为正样本。我们的实验结果涵盖了广泛的数据集，证实了这种方法显著提高了GCL的OOD泛化性能。

本论文旨在解决图预训练中图对比学习（GCL）在领域外泛化能力方面的问题。传统的GCL优化方法限制了跨域对只能是负样本，从而扩大了不同域之间的分布差距，导致模型在领域外泛化时性能下降。

本论文提出了一种新的策略“Negative as Positive”，将最具语义相似性的跨域负样本视为正样本进行GCL。实验结果表明，这种方法显著提高了GCL的领域外泛化性能。

本论文的实验涵盖了多个数据集，并且使用了开源代码。值得关注的是，本论文提出的“Negative as Positive”策略在多个数据集上都取得了比传统方法更好的领域外泛化性能。此外，本论文还探讨了GCL的领域内泛化和领域外泛化之间的关系。

在图预训练领域，还有一些相关的研究，例如：Graph Contrastive Learning with Augmentations（by Kaveh Hassani and Amir Hosein Khasahmadi）、GraphCL：A Contrastive Learning Framework for Graph Neural Networks（by Zhao-Min Chen 等人）。