图增强与图对比学习

CSDN排版太垃圾了，点此连接去知乎看吧！！！！！

自监督学习（SSL）的最新进展为减少对标签的过度依赖，实现在大量无标注数据上的训练提供了新的见解。自监督学习的主要目标是通过精心设计的代理任务，从丰富的无标签数据中学习可迁移的知识，然后将学到的知识迁移到具有特定监督信号的下游任务中。Graph SSL方法分为三类：对比式的、生成式的和预测式的。

1. 比式方法：对不同的增广t1(.)和t2(.)产生的视图进行对比学习，将数据-数据对（inter-data）之间的共性和差异信息作为监督信号。
   生成式方法：关注图数据内部（intra-data）的信息，一般基于特征/结构重构等代理任务，利用图本身的特征和结构作为监督信号。
   预测式方法：通过一些简单的统计分析或专家知识self-generate伪标签，然后根据生成的伪标签设计基于预测的代理任务来处理数据-标签（data-label）关系。

对比学习

基于互信息最大化的对比学习方法层出不穷，对比式学习的自监督方法最为大家关注。自监督对比式学习的三个主要