SimGCL: graph contrastive learning by finding homophily in heterophily

Feature similarity and FDP similarity

这里Feature similarity和FDP similarity的不同之处在于，特征相似性他是计算

和这两个节点的特征相似程度，而FDP是依次计算节点的每个维度的特征相似程度。通过在实验中计算这两种相似性，作者试图说明节点的特征相似性和特征分布模式相似性对于节点属于相同类别的判断具有指导作用。在实验结果中，作者观察到，考虑到特征分布模式相似性后，同类别节点对的特征相似性提高，这表明特征分布模式相似性能够放大节点相似性的差距，有助于更准确地找到同类别的节点对。这证明了特征相似性和特征分布模式相似性可以提高图或区域的同质性，有助于更好地捕捉同类别节点的相似性信息。

基于提供的信息，论文的动机（motivation）主要包括以下几个方面：

1. 特征向量相似性观察： 作者首先观察到，相似的节点特征可能与更接近的节点标签（类别）相关联。这表明节点的特征向量相似性可能对节点标签预测具有重要的信息。

2. 特征分布模式相似性： 作者引入了特征分布模式（Feature Distribution Pattern，FDP）相似性的概念，将节点的维度特征视为弱标签。这是基于一种对结构信息的补充，通过在特征层次上考虑节点的局部同配性。

3. 图重建和负采样： 论文的动机还涉及到支持图重建和负采样。图重建是指通过模型学习图中节点之间的相似性来还原图的拓扑结构。而负采样是为了改进对比学习中的训练，提高模型性能。

因此，总体而言，论文的动机在于利用特征向量相似性和特征分布模式相似性，以支持图重建和负采样任务，从而提高图表示学习的性能。

也就是说作者的motivation就是为了提高图表示学习的性能，能够使模型学习到图中更有用的信息