NIPS2022 | 图对比学习的新范式和增广方法

本次推送将带来两篇关于图对比学习（GCL）的文章，第一篇主要关注于图对比学习能work的原因以及是否存在更为高效的学习范式，第二篇主要关注于在图对比学习中的增广方法。

1、Rethinking and Scaling Up Graph Contrastive Learning: An Extremely Efficient Approach with Group Discrimination

论文地址：https://arxiv.org/abs/2206.01535

目前大多数关于GNN的工作都集中在（半）监督学习上，导致了一些缺点，包括对标签的严重依赖、概括性差和鲁棒性弱。为了解决这些问题，自监督学习，通过前置任务来提取信息知识，而不依赖人工标签，已经成为图数据的一种有前途的、趋势性的学习范式。然而，目前的自监督学习方法，特别是图对比学习（GCL）方法，在设计中需要大量的计算，阻碍了它们扩展到大型图。本文试图提出一种新的方法来解决这一问题。

2、Revisiting Graph Contrastive Learning from the Perspective of Graph Spectrum

论文地址：https://arxiv.org/abs/2210.02330

图对比学习（GCL）是通过扩充图来学习节点表示的一种学习方法，近年来受到了广泛的关注。尽管各种图形增强策略层出不穷，但一些基本问题仍然不清楚：GCL学习到的表示中基本上编码了什么信息？在不同的扩充之后，是否有一些通用的图形扩充规则？如果是，它们是什么？它们能带来什么见解？本文试图通过建立GCL和图谱之间的联系来回答这些问题。