Towards Graph Contrastive Learning: A Survey and Beyond

近年来，基于图的深度学习在各个领域取得了显著的成功。然而，由于标注图数据成本高、耗时长，因此依赖标注图数据仍然是一个重要的瓶颈。为了解决这个挑战，自监督学习（SSL）在图上得到了越来越多的关注，并取得了显著的进展。SSL使得机器学习模型能够从未标注的图数据中产生有用的表示，从而减少了对昂贵标注数据的依赖。虽然SSL在图上已经被广泛采用，但是现有文献中一个关键组成部分——图对比学习（GCL）——还没有得到深入的研究。因此，本文旨在填补这一空白，提供一份专门关于GCL的综述。我们全面概述了GCL的基本原理，包括数据增强策略、对比模式和对比优化目标。此外，我们还探讨了GCL在数据高效的图学习的其他方面的扩展，例如弱监督学习、迁移学习和相关场景。我们还讨论了跨越药物发现、基因组分析、推荐系统等领域的实际应用，并最终概述了这一领域的挑战和潜在未来发展方向。

本文旨在填补现有文献中对图对比学习（GCL）的研究不足的空白。GCL是数据有效的图学习中的一个关键组成部分，但其原理、数据增强策略、对比模式和对比优化目标等方面尚未得到全面的研究。

本文提供了对GCL基本原理的全面概述，包括数据增强策略、对比模式和对比优化目标。此外，本文还探讨了GCL对其他数据有效的图学习方面的扩展，如弱监督学习、迁移学习等，并讨论了在药物发现、基因组分析、推荐系统等领域的实际应用。

本文的亮点包括：提供了对GCL基本原理的全面概述；探讨了GCL对其他数据有效的图学习方面的扩展；讨论了在药物发现、基因组分析、推荐系统等领域的实际应用。

最近在这个领域中，还有一些相关的研究，如《Graph Convolutional Networks》、《Semi-Supervised Classification with Graph Convolutional Networks》、《DeepWalk: Online Learning of Social Representations》等。