Pattern Recognition2024图对比学习论文解读Improving Augmentation Consistency for Graph Contrastive Learning

论文标题：Improving Augmentation Consistency for Graph Contrastive Learning

论文链接：Improving Augmentation Consistency for Graph Contrastive Learning - ScienceDirect

代码：https://github.com/brysonwx/ConGCL

目录

一、标题解读

二、背景问题

三、提出的方法

四、方法详解 （ConGCL: A new consistent GCL method）

1 Context entailment

1.1 语义关系

1.2 结构关系

2 怎么得到上下文子图表示（Context Subgraph Representations）

3 怎样增强一致性

3.1 α散度

3.2 自适应α散度

4 最终的损失函数

5 算法框架

五、总结

---

一、标题解读

通俗化来说，就是提高经过数据增强之后的两个视图中对应节点的一致性，分为两个方面：①缩小两个对应节点之间差异；②对齐（视图一中的节点和负例节点的距离）与（视图二中对应的节点和同一负例节点的距离)。最后实现图节点分类。

二、背景问题

现有图数据增强的方法中，增强视图中的节点很难从锚视图中继承图的语义和结构特性，这可能会损害增强视图中的节点一致性。

三、提出的方法

本文了ConGCL，首先考虑节点语义和结构信息，以更好地挖掘节点的潜在一致性关系。然后设计一个一致性改进损失函数，该损失采用了一个自适应的α -散度来维护随机增广方案下正节点对的增强一致性协议。

四、方法详解 （ConGCL: A new consistent GCL method）

1 Context entailment

1.1 语义关系

图数据增强后得到的两个视图经过图嵌入（两层GCN）后，两个对应的节点的向量表示分别为u，v。他们的semantic relationship表示为他们的余弦相似度：

1.2 结构关系

定义为节点u的上下文子图表示，即由节点u的前h个相邻节点构成。（