改进样本相似性图的对比学习中的 $\mathbb {X}$- 样本对比损失

提出了一种名为 GraphSC 的新型图自我对比框架，通过图增强函数生成正负样本，并引入掩蔽自我对比机制以更好地区分正负样本。

基于多个相似性度量的新型多相似性对比损失（MSCon）通过自动学习相似性的对比权重，降低不确定任务的影响，优于最先进的基准模型。

研究了对比学习的等价性，建立了对比学习与谱聚类算法之间的等价性，并提出了一种新的核混合损失，在视觉数据集上表现更好。

提出了一种半监督对比学习（SsCL）策略，将自监督学习中的对比损失与半监督学习中的交叉熵损失结合，产生更具区分性的表示。

介绍了一种基于对比学习的自我监督表征学习方法，优化了全监督设置中的分类性能。

提出了一种通过对比学习改善科学文档表示的方法，使用引文图嵌入进行相似度学习。

提出了 GraphRank 模型，通过引入基于排名的学习来测量相似度得分，成功缓解虚假负样本问题，并降低时间复杂度。

探讨了交叉感知培训中的对比训练，提出了连续加权对比损失（CWCL），在多个分类任务中取得显著改进。

提出了一种名为 Graph Contrastive Learning（GraphCL）的框架，通过最大化节点表示之间的相似性来学习节点嵌入，显著优于无监督学习的现有技术。