论文链接：https://arxiv.org/abs/2204.04874

现有的图对比学习（GCL）模型依赖于图的增强，来学习在不同的增强图中保持不变的表示。作者发现，图的增强能够保存图的低频部分，而扰动图的高频部分，因此图对比学习模型往往能在同质图上取得很好的表现，但在高频的异质图中表现欠佳。基于此，作者提出了不需要增强的 AF-GCL 模型，它能够利用图神经网络聚合出的特征直接生成自监督信号，并且对图的同质性依赖程度更低。

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除