Multi-Scale Subgraph Contrastive Learning

图级对比学习旨在通过对比两个增强的图来学习每个图的表示方法，受到了相当大的关注。以往的研究通常简单地假设一个图及其增强图为正对，否则为负对。然而，众所周知，图结构始终是复杂和多尺度的，这引发了一个基本问题：在图增强之后，以前的假设在现实中是否仍然成立？通过实验分析，我们发现增强图结构的语义信息可能与原始图结构不一致，两个增强图是否为正对或负对与多尺度结构密切相关。基于这一发现，我们提出了一种多尺度子图对比学习方法，能够表征细粒度的语义信息。具体来说，我们基于子图采样在不同尺度上生成全局和局部视图，并根据它们的语义关联构建多个对比关系，以提供更丰富的自监督信号。在八个图分类实际数据集上的广泛实验和参数分析充分证明了所提出方法的有效性。

论文旨在解决图级对比学习中的一个基本问题：如何在图形增强后确定哪些图形是正对比对，哪些是负对比对？并提出了一种多尺度子图对比学习方法。

该论文提出了一种多尺度子图对比学习方法，该方法能够更好地表征图形的细粒度语义信息，通过对子图进行采样生成不同尺度的全局和局部视图，根据它们的语义关联构建多个对比关系，提供更丰富的自监督信号。

该论文的实验结果表明，所提出的方法在八个真实世界的图分类数据集上都取得了很好的效果，具有很好的可扩展性和泛化性能。论文还开源了代码，可以进一步研究。

最近的相关研究包括《Graph Contrastive Learning with Augmentations》、《GraphCL: A Contrastive Learning Framework for Graph Neural Networks》等。