GPS: 基于对抗汇聚的多尺度增强视图的图对比学习
内容提要
该文综述图对比学习进展：CGIPool通过互信息保持图级依赖；GraphCL用图增强实现无监督表示；MCGC做多视图聚类；GraphSC以自对比加速收敛；adversarial-GCL用对抗增强减少冗余；HCL分层多尺度对比，在十二个数据集表现优异；GACN用GAN生成增强视图。
延伸解读
图对比学习中的增强策略演进
文章梳理了多种图对比学习方法，其中增强策略是核心。GraphCL通过图增强实现无监督表示，adversarial-GCL用对抗增强减少冗余，GACN则用GAN生成增强视图。这些方法从简单增强发展到对抗生成，旨在提升视图质量，但计算成本可能增加。读者可关注不同增强策略在具体任务中的权衡。
多尺度与层次化对比的进展
HCL采用自适应L2Pool构建多尺度拓扑，并用多通道伪孪生网络扩展互信息学习，在12个数据集上表现优异。CGIPool通过最大化池化层输入与粗化图间的互信息维护图级依赖。这些方法表明，层次化和多尺度对比能捕捉更丰富的图结构信息，但可能增加模型复杂度。
自对比与收敛加速的探索
GraphSC利用图自身生成正负样本，通过Hilbert-Schmidt独立准则分解表示，并引入掩蔽自对比机制，显式减小锚点与正样本距离以加快收敛。这种方法避免了对外部增强的依赖，但可能受限于图自身信息。读者可关注其在无监督和迁移学习中的表现。
Q&A
图对比学习中的CGIPool方法是如何工作的？
CGIPool通过最大化每个池化层输入和粗化图之间的相互信息来维护图级依赖关系，并应用对比学习和自注意力算法实现相互信息神经最大化。在七个数据集上的实验证明了其优越性。
GraphCL框架有什么特点？
GraphCL是一个图对比学习框架，通过图增强等方式对图数据进行无监督学习来学习表示。即使不使用复杂的GNN架构，也能生成类似或更好的通用性、可转移性和鲁棒性的图表示。
MCGC方法用于什么任务？
MCGC是一种多视图对比图聚类方法，用于多视图属性图数据聚类，学习一致性图。相比现有方法，表现更优异，尤其是在深度学习方法上。
GraphSC如何加速收敛？
GraphSC通过显式减小锚点和正样本之间的绝对距离来加快收敛，并使用Hilbert-Schmidt独立准则对表示进行分解，引入掩蔽自我对比机制以更好地区分正负样本。
adversarial-GCL解决了什么问题？
adversarial-GCL解决了传统图对比学习方法捕获冗余图特征的问题，通过基于对抗性图增强策略的自监督学习框架，在无监督、迁移和半监督学习任务中均达到较好性能。
HCL框架在哪些数据集上表现优异？
HCL在节点分类、节点聚类和图分类等12个数据集上均取得了具有竞争力的性能表现，并通过可视化显示成功捕捉到了图的有意义特征。
GACN如何生成增强视图？
GACN通过引入生成对抗网络（GAN）来学习图的视图分布，生成对抗性对比学习网络，为GCL生成高质量的增强视图，并优于十二种最先进的基准方法。
