LocalGCL：基于局部感知的图形对比学习
内容提要
本文综述图对比学习（GCL）进展，涵盖LS-GCL、GraphCL、S³-CL、GSCL、MoCL、GraphRank、CSGCL等模型，涉及结构建模、无监督表示、鲁棒性评估及生物医药应用。实验表明，这些方法在节点分类、链接预测等任务上优于现有技术。
延伸解读
图对比学习的技术演进脉络
从2020年的GraphCL到2023年的LS-GCL，图对比学习在结构建模、负样本处理和领域适应上持续演进。GraphCL确立自监督范式，S³-CL和GSCL分别引入全局语义与邻域排序，GraphRank缓解虚假负样本，CSGCL解决社区语义，MoCL拓展至生物医药。这些工作共同推动节点分类和链接预测性能提升。
方法创新与效率优化
GraphRank通过排名学习将时间复杂度从O(N²)降至O(N)，显著提升计算效率；GSCL提出成对和列表式门控排名损失，避免二元对比的局限；CSGCL设计动态'Team-up'策略和两种图增强方法，传播社区强度。这些创新在保持表示质量的同时，降低了计算负担或增强了语义捕捉能力。
鲁棒性评估与领域应用
2023年提出的鲁棒性评估协议通过适应性敌对攻击检验节点和图分类任务，为GCL方法的可靠性提供系统评估。同时，MoCL在生物医药领域利用本地和全局领域知识，在分子数据集上达到最先进性能，表明GCL在专业领域的应用潜力。这些进展提示读者关注模型在对抗环境和跨领域任务中的表现。
Q&A
什么是局部结构感知的图对比学习（LS-GCL）？
LS-GCL是一种局部结构感知的图对比学习方法，用于从多个视角建模节点的结构信息，并通过多层对比损失函数优化模型，在节点分类和链接预测任务上优于最先进的图表示学习方法。
GraphCL框架是如何工作的？
GraphCL是一个通用框架，以自我监督方式学习节点表示。它通过最大化同一节点的本地子图的内在特征和连接结构的两个随机扰动版本的表示之间的相似性来学习节点嵌入，并使用对比学习损失最大化一致性，在节点分类基准测试中显著优于无监督学习的现有技术。
S³-CL算法有什么特点？
S³-CL是一种基于结构和语义对比学习算法框架的简单神经网络，用于在无监督情况下学习表达具有全局结构和语义的节点特征。实验表明，与现有的基于GNN的无监督GCL方法相比，S³-CL在不同的下游任务上可以获得优异的表现。
GSCL如何实现无监督图学习？
GSCL（Graph Soft-Contrastive Learning）通过邻域排序进行自我监督学习，不依赖于二元对比设置。它提出了成对和列表式门控排名infoNCE损失函数，以保留邻域中的相对排序关系。
MoCL在生物医药领域有什么应用？
MoCL是一个利用本地和全局领域知识辅助表示学习的框架，应用于生物医药领域。它使用双重对比目标学习整个模型，在不同的分子数据集上评估，达到了最先进的性能水平。
GraphRank如何解决虚假负样本问题？
GraphRank通过引入基于排名的学习来测量相似度得分，成功缓解了虚假负样本问题，并将时间复杂度从O(N^2)降低到O(N)。在多个图任务上的广泛实验证明GraphRank表现优异。
CSGCL框架解决了什么问题？
CSGCL框架解决了GCL方法中的community semantics问题。它使用两种新的图扩充方法和动态的'Team-up'对比学习策略，传播community strength，验证了图表示的有效性和通用性。
