深度图神经网络半监督学习技术(对比、生成、预测)及模型整理分享

     我们扩展了最早出现在计算机视觉和自然语言处理领域的自监督学习的概念，对现有的图数据半监督学习（SSL）技术进行了及时和全面的回顾。具体来说，我们将现有的图SSL方法分为三类:对比、生成式和预测，如下所示。

    对比学习:对比不同数据扩充方法生成的数据。关于样本对(内部数据)之间的差异和相同性的信息被用作自监督信号。

    生成式学习:它关注数据中嵌入的(数据内)信息，通常基于重建等prtext任务，这些任务利用数据本身的属性和结构作为自我监督信号。

    预测学习:它通常通过一些简单的统计分析或专家知识，从图数据中自生成标签，并基于自生成的标签设计基于预测的任务来处理数据-标签关系。

本资源对图神经网络半监督学习方式及模型进行详细分类，并整理了相关的论文。

    资源整理自网络，源地址：https://github.com/LirongWu/awesome-graph-self-supervised-learning

目录

内容截图