一种自监督混合曲率图神经网络

图表示学习近年来受到越来越多的关注。现有大多数方法忽视图结构的复杂性，并将图限制在单一常曲率表示空间中，而这实际上仅适用于特定类型的图结构。此外，这些方法遵循监督或半监督学习范式，从而显著限制了其在现实应用中无标签图上的部署。为应对上述局限，我们首次尝试研究混合曲率空间中的自监督图表示学习。本文提出一种新颖的自监督混合曲率图神经网络(SelfMGNN)。我们并非在单一常曲率空间上工作，而是通过多个黎曼分量空间的笛卡尔积构造混合曲率空间，并设计层次化注意力机制以跨这些分量空间学习和融合表示。为实现自监督学习，我们提出一种新颖的对偶对比方法。混合曲率黎曼空间实际上为对比学习提供了多个黎曼视图。我们引入黎曼投影器以揭示这些视图，并利用精心设计的黎曼判别器在黎曼视图内部及跨视图进行单视图与跨视图对比学习。最后，大量实验表明SelfMGNN能够捕捉现实中的复杂图结构，并优于当前最优基线。