本文提出了一种自我强化图对比学习（SRGCL）框架，旨在解决图对比学习中高质量正样本对难以获取的问题。SRGCL通过动态评估和选择正样本对，并结合增强策略，展现了在多种图分类任务中的优越性和有效性。

该文综述对比学习在自监督表示学习中的进展，涵盖正样本对生成改进（ContrastiveCrop）、多头投影与自适应温度（AMCL）、减少特征丢失（SPPS）、在线聚类与多裁剪（SwAV，达75.3%准确率）、视频表示学习、多模态对比学习中的正负对作用与伪正对生成、弱监督缓解类冲突（WCL）以及协作对比学习提升动作识别。