Augmentation-Free Graph Contrastive Learning（论文笔记）

证明了传统图增强方法对GCN谱图卷积的影响：

结论：

1. 证明edge adding, edge dropping and graph diffusion的图增强方法会影响图的中高频信息。

2. 证明attribute masking 会影响图的高频信息。

（具体证明看文献）

        对于异质图，高频分量所携带的信息对下游分类性能更有效。如文献[20,21]所示（看原文）。以最大化互信息为目标（Maximize mutual information）学习后的嵌入[10]鼓励只捕获不变信息(低频信息)。虽然现有的图增强算法促进了GCL在传统(同质)基准上的成功，但当高频信息至关重要时(异质图)，它们会导致次优表示。

        另外提出一个假设：对于一个节点i，标签为yi，其邻居的标签从分布P (yi)中独立抽样。

证明一个引理：所有具有相同标签的聚合节点特征，无论是否同质性，都具有相同的嵌入。

（懒得看了，有兴趣自己看）

好了一堆狗屁证明之后，开始介绍模型。

1. 两层GCN加一层MLP.

（注：异质图也当同质图来使。Ma el al.[46]表明，根据我们的假设1,GCN足以捕获异亲性图中的信息。）

2. 损失函数：

 

Z表示节点嵌入。

  每次迭代时采样b个节点形成种子节点集S;及其周围的T -hop邻居组成节点池P。对于每个种子节点vi∈S，选取节点池中相似性最高的top-K个节点为其正集，表示为Sipos = {vi, v1i, v2i，…vKpos i}。

负采样以及什么叫做最相似的top-K节点没找到。这么重要的东西居然不说清楚！这可事关如何训练的问题，代码我也没找到（有找到的可以评论告诉我）

结论：AF-GCL在8个同质图基准中有4个优于最先进的GCL算法，并在剩下的4个数据集上实现了具有竞争力的性能。此外，AF-GCL是第一个同时适用于同质图和异质图的算法。