Deep Graph Contrastive Representation Learning
利用节点级别的对比目标
最大化两个视图(属性级和结构级)中节点表示的一致性来学习节点表示
提高输入节点特征和高级节点嵌入之间的MI
主要侧重于对比节点级别的嵌入
正负对进行对比,王亮老师组的关于对比学习论文,还有一篇自适应的GCA,模型结构和这篇差不多
模型
首先从一个图分别用删边和Mask的方法生成,两个视图,对于一个视图内:目标节点与其他节点生成视图内的负样本对,在视图间,目标节点和另一个视图中除了anchor的其他节点成为负例,anchor成为正例
Enconder
用GNN作为Enconder
数据增强方法
删边和Mask
Loss
其中: θ ( u , v ) = s ( g ( u ) , g ( v ) ) \theta(\boldsymbol{u}, \boldsymbol{v})=s(g(\boldsymbol{u}), g(\boldsymbol{v})) θ(u,v)=s(g(u),g(v)),s是余弦相似度计算,g是非线性的投影层(两层MLP),能够增强表达能力
总的Loss
J = 1 2 N ∑ i = 1 N [ ℓ ( u i , v i ) + ℓ ( v i , u i ) ] \mathcal{J}=\frac{1}{2 N} \sum_{i=1}^{N}\left[\ell\left(\boldsymbol{u}_{i}, \boldsymbol{v}_{i}\right)+\ell\left(\boldsymbol{v}_{i}, \boldsymbol{u}_{i}\right)\right] J=2N1∑i=1N[ℓ(ui,vi)+ℓ(vi,ui)]
相当于一张图形成两个视角,跑了两遍,计算了平均Loss,反向传播