Note：[wechat：Y466551|可加勿骚扰，付费咨询] 2024年4月3日15:39:16论文信息论文标题：AnEmpiricalStudyofGraphContrastiveLearning论文作者：论文来源：2021 NeurIPS论文地址：download 论文代码：download视屏讲解：click1-摘要图对比学习（GCL）为没有人工注释的图表示建立

Abstract​ 在图中生成对比视图比在图像中更具挑战性，因为我们对如何在不改变图标签的情况下显著增强图缺乏先验知识。我们认为，在GCL中，典型的数据增强技术（例如，边缘下降）不能产生足够不同的对比视图来过滤掉噪声。此外，以往的GCL方法采用了两个具有完全相同的神经结构和绑定参数的视

Abstract​ 图对比学习（GCL）已经成为图表示学习的一种主导技术，它最大限度地提高了共享相同语义的成对图增强之间的互信息。不幸的是，由于图数据的多样性，在扩充过程中很难很好地保存语义。目前，GCL的数据扩充大致可分为三种不令人满意的方式。第一，可以通过试错法手动选择每个数据集的