因共性而更紧密：利用共享组增强超图对比学习

超图为表示现实世界中常以群组形式发生的交互中的复杂多维关系提供了优越的建模框架，克服了传统同质图的局限性。然而，基于超图的对比学习研究较少，现有的基于图的对比学习方法未能充分利用超图中的高阶关联信息。在此，我们提出了一种超图细粒度对比学习（HyFi）方法，旨在利用超图中固有的复杂高维信息。在避免使用破坏超图拓扑结构的传统图增强方法的同时，所提方法通过向节点特征添加噪声，提供了一种简单高效的学习增强函数。此外，我们通过引入一种新的弱正样本关系，超越了对比学习中传统的正负样本二分关系。这证明了在对比学习中对正样本进行细粒度划分的重要性。因此，HyFi能够生成高质量的嵌入，在10个数据集上的节点分类任务中，其平均排名优于有监督和无监督基线方法。我们的方法有效利用了高维超图信息，相比现有的基于图的对比学习方法有显著提升，并且在训练速度和GPU内存成本方面具有高效率。源代码可在 https://github.com/Noverse0/HyFi.git 获取。