Do spectral cues matter in contrast-based graph self-supervised learning?

最近，基于对比的图自监督学习的激增显著特征是对频谱线索的强化探索。然而，一个有趣的悖论出现了，因为那些基于看似相互矛盾的假设或启发式方法的方法在频谱领域的学习表现中表现出明显的增强。这个悖论促使我们对频谱信息对基于对比的图自监督学习的真正贡献进行了关键的探究。本研究对这个问题进行了广泛的调查，对当代方法的频谱特征与学习结果之间的关系进行了深入研究。基于这个分析，我们认为需要对频谱信息的有效性和重要性进行质疑。相反，我们重新审视简单的边缘扰动：针对节点级自监督学习的随机边缘删除和针对图级自监督学习的随机边缘添加。我们提出了有力的证据，表明这些简单而有效的策略始终能够产生更优异的性能，而且需要的计算资源比所有先前的频谱增强方法少得多。这些提出的见解代表了该领域的一个重大飞跃，可能会重新塑造对图自监督学习的理解和实现。

本文试图解决对于基于对比学习的图自监督学习中，频谱信息对学习效果的贡献是否真正显著的问题。

通过实验结果发现，与之前的频谱增强方法相比，简单的边缘扰动方法（随机边缘删除和添加）在节点级和图级自监督学习中表现更好，且所需计算资源更少，因此这些方法可能更加有效。

实验结果表明，简单的边缘扰动方法比之前的频谱增强方法在图自监督学习中表现更好；本文的方法可以在不牺牲性能的情况下减少计算资源的使用；本文提供了一个新的视角来重新思考图自监督学习中频谱信息的作用。

相关研究包括：《Spectral Graph Convolutions》、《Graph Convolutional Networks》、《How Powerful are Graph Neural Networks?》等。