通过相对相似性保留重新思考图对比学习

本研究针对图对比学习（GCL）中由绝对相似性保留引发的挑战，提出了相对相似性保留的新思路。通过分析真实世界中的11个图，我们发现标签一致性随着结构距离增加而系统性下降，这一发现促成了RELGCL框架的提出，该框架通过集体相似性目标保留了图的内在相似性模式。实验结果显示，RELGCL在同质和异质图上均优于20种现有方法，验证了自然相对相似性的重要性。