因果视角下的图形对比不变性学习
内容提要
本文综述图对比学习（GCL）进展，涵盖光谱扩增与拓扑扩充、GCL-GE泛化指标与InfoAdv框架、跨视图图一致性学习CGCL、信息瓶颈框架InfoGCL及通用框架GraphCL，并指出正样本与数据增强作用有限，推动自监督图表征学习发展。
延伸解读
正样本与数据增强在图对比学习中的有限作用
文章指出，图对比学习与视觉对比学习存在差异：正样本对于图分类和采用特定归一化模块的节点分类并非必需，数据增强的影响也较小。这提示研究者在设计GCL方法时，不应简单照搬视觉领域的经验，而应更关注图学习的独特架构及其隐含的归纳偏差，从而更有效地提升模型性能。
泛化能力与鲁棒性的理论探索
文章介绍了GCL-GE指标和InfoAdv框架，从信息理论角度证明了互信息上界，并在预训练任务适配与下游任务泛化之间取得平衡。同时，基于光谱扩增的拓扑扩充方法能指导GCL捕获特征不变性，带来更好的泛化能力和抵御对抗性攻击的鲁棒性。这些工作为GCL的理论基础提供了支撑。
多样化框架推动自监督图表示学习
文章综述了多个GCL框架：CGCL通过双向图结构增强从不完整图中学习不变表示；InfoGCL基于信息瓶颈原则统一了图像对比学习；GraphCL作为通用框架通过最大化子图扰动版本间的一致性学习节点嵌入。这些框架在不同任务上取得竞争性结果，共同推动了自监督图表示学习的发展。
Q&A
图对比学习（GCL）中常用的数据增强方法有哪些？
图对比学习中的增强方法包括光谱扩增和拓扑扩充。光谱扩增通过扰动图的光谱特性来指导GCL捕获特征的不变性；拓扑扩充则通过改变图的连接结构来生成增强视图。这些方法有助于实现自监督表征学习，并提升泛化能力和对抗性攻击的鲁棒性。
GCL-GE指标和InfoAdv框架是什么？
GCL-GE是一个用于衡量图对比学习泛化能力的指标，它从信息理论角度证明了一个互信息的上界。基于此证明，研究者设计了InfoAdv框架，该框架在预训练任务适配和下游任务泛化能力之间取得平衡，并在各种基准测试中取得了最先进的性能。
跨视图图一致性学习（CGCL）是如何工作的？
CGCL通过双向图结构增强方案从不完整的图结构派生出两个互补的增强视图，然后利用CGCL模型学习不变的图表示，以实现链路预测。理论分析和实验证明，CGCL在图数据集上取得了竞争性结果。
InfoGCL框架基于什么原则？效果如何？
InfoGCL是基于信息瓶颈原则的信息感知图对比学习框架，与最新的图像对比学习方法统一。在节点和图分类基准数据集上的实证验证表明，InfoGCL显著优于现有技术。
图对比学习与视觉对比学习有哪些不同现象？
系统研究发现，图对比学习与视觉对比学习存在一些不同现象：正样本对于图分类和采用特定归一化模块进行节点分类时并不是必需的；数据增强对图对比学习的影响较小。这些特性源于图神经网络的内在归纳偏差，因此设计GCL方法时应更多关注图学习的独特架构及其隐含影响。
GraphCL一般框架是什么？它有什么优势？
GraphCL是一个以自监督方式学习节点表示的一般框架。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。实验证明，GraphCL在节点分类基准测试中显著优于无监督学习的现有技术，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形表示。
