CORE：基于对比掩码特征重构的图结构自监督学习

在图结构自监督学习领域，生成式和对比式方法日益成为两种主流方法。我们聚焦于掩码特征重构（MFR），这是一种生成式技术，通过自监督方式学习恢复被掩码节点原始特征的模型。我们观察到，MFR和图对比学习（GCL）都旨在最大化相似元素之间的一致性。基于这一观察，我们揭示了一个新理论洞见：在特定条件下，MFR和节点级GCL的目标函数会收敛，尽管其操作机制不同。这种理论联系表明，这些方法是互补的，而非根本不同的，这促使我们探索将其集成以增强图结构上的自监督学习。我们的研究提出了对比掩码特征重构（CORE），一种新的图结构自监督学习框架，将对比学习集成到MFR中。具体而言，我们仅将原始特征与重构特征的配对作为正样本，鼓励编码器优先关注上下文信息而非节点自身特征。此外，我们利用被掩码节点本身作为负样本，结合MFR的重构能力与GCL的判别能力，以更好地捕捉图的内在结构。实验上，我们提出的框架CORE在节点和图分类任务上均显著优于MFR，实现了最先进的成绩。特别是，CORE在节点分类任务上相较于GraphMAE和GraphMAE2提升最高可达2.80%和3.72%，在图分类任务上提升最高可达3.82%和3.76%。