Graph Contrastive Learning Automated
GraphCL 的 contrastive loss
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/4293f590caa69e4d028cb835660455ad.png)
JOAO
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/fc59044548519ed5dc2349eff278cb46.png)
tow-level 的优化
利用对抗的思想,进行两步优化,第一步更新encoder 的权重,第二步更新view generater 的权重。
![](https://i-blog.csdnimg.cn/blog_migrate/a3c5842774160f941a90aa7c4401708a.png)
1. 第(4)式为:
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/a00ae43981966f82dbccde3c4ba40d35.png)
2. 第(9)式为:
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/d85cd8fea73526e283b7b9cc6f4779ca.png)
增广感知multi-projection heads:
![在这里插入图片描述](https://i-blog.csdnimg.cn/blog_migrate/64ba055bc51d47ede1f65fd0d906eadf.png)
也就是对每种数据增广设计一个head,
https://blog.csdn.net/cziun/article/details/119600259