TopoGCL: Topological Graph Contrastive Learning

最近，图形对比学习（GCL）作为一种新的概念出现，它允许利用图神经网络（GNN）的优势，在涉及大量未标记信息的各种应用中学习丰富的表示。然而，现有的GCL方法往往忽视了更高阶图子结构的重要潜在信息。我们通过将拓扑不变性和扩展持久性引入到图形对比学习中来解决这个限制。特别地，我们提出了一种新的对比模式，它针对同一图形的两个增强视图的拓扑表示，这些视图是通过在多个分辨率下提取图形的潜在形状属性而产生的。除了扩展的拓扑层外，我们还介绍了一种新的扩展持久性摘要，即扩展持久性景观（EPL），并推导出其理论稳定性保证。我们在生物、化学和社交交互图上进行了广泛的数值实验，结果显示，新的拓扑图形对比学习（TopoGCL）模型在12个考虑的数据集中的11个无监督图形分类任务中都取得了显著的性能提升，并且在噪声情况下表现出了鲁棒性。

本论文旨在解决图对比学习（GCL）中忽略高阶图子结构潜在信息的问题。

论文提出了在GCL中引入拓扑不变性和扩展持久性的概念，并通过提取多个分辨率下图的潜在形状属性，针对同一图的两个增强视图的拓扑表示提出了一种新的对比模式。同时，引入了扩展持久性总结，即扩展持久性景观，并推导了其理论稳定性保证。

本文提出的TopoGCL模型在生物、化学和社交交互图的无监督图分类中取得了显著的性能提升。实验结果表明，TopoGCL模型在12个数据集中有11个表现出了鲁棒性，能够在噪声情况下稳定工作。

与本文相关的研究包括：《Graph Contrastive Learning with Augmentations》、《Graph Contrastive Learning with Complex Structural Information》等。