企业管理系统软件公司浙江企业seo推广

简介GraphCL

Graph Contrastive Learning with Augmentations 介绍了一种新的图对比学习（GraphCL）框架，旨在解决图结构数据中的一些挑战。该方法聚焦于图神经网络（GNNs）的无监督学习，目的是提高模型在各种图任务中的泛化能力、迁移能力和鲁棒性。
有关对比学习的部分内容参看另一篇笔记《GCC学习笔记》。
本文着重对比两个模型的不同。

与GCC差异

1.数据增强的方式不同

• GCC：节点级别的增强，在节点的r-ego网络（节点的r诱导子图）中通过图采样方式（创新了一种图采样方式，大抵属于是随机游走）获取子图。
• GraphCL：图级别的增强，提出针对不同类型的数据集应当采用不同的数据增强方式，共给出四种数据增强方式：
  • Node dropping：随机删除图中的部分节点，假设删除的节点不会显著影响图的语义。
  • Edge perturbation：随机添加或删除图中的边，假设图的连接性变化不会大幅改变图的语义。
  • Attribute masking：随机掩盖图中节点的部分属性，假设丢失的属性可以从其邻居节点的上下文中恢复。
  • Subgraph：从图中随机采样子图（也是随机游走啧啧啧），假设图的局部结构包含了全局语义的重要信息。

2.预训练的学习目标不同

• GCC：subgraph instance discrimination，让诱导自同一个图的两个子图实例的潜在表示相近，来自不同图的则相远（下例中即认为$x^q$与$x^{k_0}$是相似的，与$x^{k_1}$ $x^{k_2}$是不相似的，因此它们的对应的潜在表示$q$与$k_0$要相近，与$k_1{k}_2$要相远）。采用InfoNCE损失函数。对编码器，提到不限制GNN，明确采用了GIN。
  
• GraphCL：maximizing the agreement between two augmented views，对于来自同一个图的但是采用不同增强方式获得的两个子图，要保证他们的潜在表示相近。（下例中即对于来自同一个图但是采用Node Dropping和Edge Perturbation获取的子图${\hat{G}}_i$和${\hat{G}}_j$，要保证他们最终的表示$z_i$和$z_j$相近）。采用NT-Xent损失函数（即损失函数也不同）。提到不限制GNN，但是没有明确编码器。
  

3. 预训练的结构不同

此外GraphCL多了Projection Head的结构，它是一种非线性变换，将拿到的encoder的编码向量（$h_i,h_j$）再进行一步了映射（$z_i,z_j$），说是可以增强训练过程，我的理解上是多了一步“再精细化”的过程。

4.总结

• GCC是一种数据增强方式应用在不同的图上进行对比学习
• GraphCL是一个图上应用不同的数据增强方式进行对比学习