#今日论文推荐# AF-GCL：不需要增强的图对比学习

#今日论文推荐# AF-GCL：不需要增强的图对比学习

现有的图对比学习（GCL）模型依赖于图的增强，来学习在不同的增强图中保持不变的表示。作者发现，图的增强能够保存图的低频部分，而扰动图的高频部分，因此图对比学习模型往往能在同质图上取得很好的表现，但在高频的异质图中表现欠佳。基于此，作者提出了不需要增强的 AF-GCL 模型，它能够利用图神经网络聚合出的特征直接生成自监督信号，并且对图的同质性依赖程度更低。设  是一个无向图，其中  是顶点集， 是边集。设顶点的总数为 ，边的总数为 ，顶点的标签为 ，其中 ， 是类的数量。顶点的特征矩阵为 ，其中  是顶点  的特征， 是输入特征的维数。邻接矩阵为 ，若  则 。
我们的目标是自监督地学习一个 GNN 编码器 ，以顶点特征和图结构作为输入，以顶点的低维表示作为输出，即 。这些表示可以用于下游的监督或半监督任务，如节点分类。
我们定义两种图同质性的衡量标准：点同质性（node homophily）和边同质性（edge homophily）。

论文题目：Augmentation-Free Graph Contrastive Learning
详细解读：https://www.aminer.cn/research_report/628afa0a7cb68b460fbf5bbc?download=falsehttps://www.aminer.cn/research_report/628afa0a7cb68b460fbf5bbc?download=false
AMiner链接：https://www.aminer.cn/?f=cs