Topology Reorganized Graph Contrastive Learning with Mitigating Semantic Drift

图对比学习（Graph contrastive learning，GCL）是图中节点表示学习的有效范式。GCL背后的关键组成部分是数据增强和正负对选择。GCL中的典型数据增强，如均匀删除边缘，通常是盲目的，倾向于产生不足多样性的视角。此外，存在将增强数据遍历到其他类别的风险。此外，大多数方法总是将所有其他样本视为负样本。这种负面配对自然会导致采样偏差，并可能使学习到的表示遭受语义漂移。因此，为了增加对比视图的多样性，我们提出了两种简单有效的全局拓扑增强方法来补偿当前的GCL。一种是挖掘特征空间中节点之间的语义相关性。另一种是利用邻接矩阵的代数特性通过特征值分解来表征拓扑。在两者的帮助下，我们可以保留重要的边缘以构建更好的视图。为了减少语义漂移的风险，进一步设计了基于原型的负对选择，可以过滤掉假负样本。各种任务上的广泛实验表明，与最先进的方法相比，该模型具有优势。

本篇论文旨在解决图形对比学习（GCL）中数据扩充和正负对选择的局限性，提出全局拓扑扩充和基于原型的负样本选择方法，以增加对比视图的多样性和减少语义漂移的风险。

本文的关键思路是提出全局拓扑扩充和基于原型的负样本选择方法，来增加对比视图的多样性和减少语义漂移的风险。

本文提出的方法在各种任务上都表现出比现有方法更好的效果，实验使用了多个数据集，并且已经开源了代码。

在图形对比学习领域的相关研究还包括：《Graph Contrastive Learning with Augmentations》、《Contrastive Multi-View Representation Learning on Graphs》等。