文献阅读（24）KDD2020-GCC：Graph Contrastive Coding for Graph Neural Network Pre-Training

本文是对《Graph Contrastive Coding for Graph Neural Network Pre-Training》一文的浅显翻译与理解，如有侵权即刻删除。

朋友们，我们在github创建了一个图学习笔记库，总结了相关文章的论文、代码和我个人的中文笔记，能够帮助大家更加便捷地找到对应论文，欢迎star~

Chinese-Reading-Notes-of-Graph-Learning

更多相关文章，请移步：文献阅读总结：网络表示学习/图学习

Title

《Graph Contrastive Coding for Graph Neural Network Pre-Training》

——KDD2020

Author: 裘捷中

总结

文章认为目前的网络表示学习工作都是针对特性任务，且要在不同的数据集上分别训练模型，无法实现不同数据集上的迁移工作。因此，文章提出了GCC算法，利用图对比学习来进行图神经网络的预训练，用这种方法学习得到的对图和节点的编码器，可以直接应用到未训练数据集上，只需要进行简单微调。

1 预训练

1.1 损失函数

文章希望预训练得到的嵌入函数具有结构相似性（结构相似的节点嵌入更加接近）和可迁移性（可以用于未训练的数据集上）两种特点。基于这种思想，算法的损失函数构建如下：

损失函数的目的在于最大化分子数值，即属于同一结构的节点嵌入在空间上更接近，因而得到的值也就更大，其示意图如下：

以该图为例，graph_q为源节点，则分子计算的就是graph_q和graph_0的相似性，它们是属于同一结构的。而在分母中，除了计算属于同一结构的graph_0，属于不同结构的graph_1和graph_2也要和graph_q进行计算并将最终结果加和。

1.2 问题定义

基于这种思想，文章提出了三个问题：

（1）如何定义图中的子图结构？

给出一个节点，规定最大长度，就可以得到以该节点为中心的EGO网络。在该网路中进行随机游走，就能够得到关于该节点的子图结构。

（2）如何定义子图结构的相似性？

文章认为属于同一EGO网络的即为相似的子图结构，不同网络则不相似。此处应当注意的是，在进行随机游走后，要对游走序列中的节点重新编号，这样是为了避免在比较子图结构时，仅仅简单地比较了节点的原始编号来判断相似性。

（3）如何定义编码器？

能够将子图结构变为低维向量，并且能够对相似的结构生成相似嵌入，不相似结构生成不相似嵌入，就是合适的编码器。

1.3 位置编码

在计算节点嵌入时，文章引入了位置编码如下：

具体来说，给出子图的邻接矩阵和度数矩阵，就可以进行拉普拉斯矩阵分解，得到的U中的特征值就可以作为位置编码，利用sin和cos函数可以计算得到不同位置对应的数值，具体有（非文章公式）：

1.4 批采样设置

编码器训练过程中，针对损失函数，采样数量（即字典大小）越多，越能够提升编码准确率。因而，文章引入E2E和MOCO两种方法来进行批采样。E2E即端对端，其每次采样都会更新目标节点和字典，但字典大小受到采样数量的限制。MOCO使用动量更新方法进行采样，即每次采样时保留字典中的节点，每次只对目标节点进行更新，并使用动量方法将历史目标节点加入到字典中，具体有：

这样，字典就能平滑连续地进行变化。

2 微调

在训练好编码器后，对于未训练数据集，可以直接使用该编码器，只需进行微调。微调方式有两种，即Freezing mode（固定模式）和Full fine-tuning（全调整）。针对一个未训练的数据集，对特定下游任务如节点分类，一般要训练一个分类器。这两种方式的差别就在于，前者将编码器的参数固定，只调整分类器，而后者将编码器和分类器都进行调整。