快速读论文----AD-GCL：Adversarial Graph Augmentation to Improve Graph Contrastive Learning

???用对抗的方式得到增广的view：归根结底还是两个view的对比。而另一个view是通过drop边进行的。所以，卖点就是：T(.)。   （自己比较好奇的就是如何利用伯努力分布。）

target:

各种任务都面临缺少标签数据的问题：

所以，需要SSL。

但是，SSL任务可能会过多关注冗余信息：

 这样可能会使下游任务的结果不好：

 而本文设计的AD-GCL可以避免GCN捕捉过多冗余信息：

而要实现这个目的则是通过设计的图增强策略： 

 此外，这篇文章还有理论分析：

• 这个是作者原文，可以get到作者的出发点：

普渡大学李攀：好的图表示到底是什么？|向量|鲁棒性|高斯_网易订阅

• 这两篇还行：图神经网络自监督学习工具箱 - AD-GCL（二） - 简书

【论文阅读】AD-GCL：Adversarial Graph Augmentation to Improve Graph Contrastive Learning_Cziun的博客-CSDN博客

由于现实世界中图形/网络数据中普遍存在的标签稀缺问题，迫切需要对图形神经网络（GNN）进行自监督学习。图控制学习（Graphcontrastive learning，GCL），通过训练GNN使同一个图的不同扩充形式的表示之间的对应关系最大化。甚至在不使用标签的情况下，也可能产生健壮且可转移的GNN。然而，由传统GCL训练的GNN通常有捕获冗余图形特征的风险，并且这些特征可能很脆弱，在下游任务中的性能低于标准。在这里，我们提出了一种新的原则，称为对抗性gcl（AD-gcl），该原则通过优化gcl中使用的对抗图增强策略，使SGNNS能够避免在训练期间捕获冗余信息。我们将AD-GCL与理论解释结合起来，设计了一个基于可训练边缘下降图扩充的实例。我们通过实验验证了AD！通过与最先进的GCL方法进行比较，在无监督学习、转移学习、半监督学习、属性回归和分类以及社交网络分类方面，实现了高达14%、6%和3%的性能增益，共有18个不同的基准数据集，用于分子属性回归和分类以及社交网络分类任务