图自监督学习：综述
机器学习
2022-05-05 v5
摘要
图上的深度学习近来引起了广泛关注。然而，大多数工作集中于（半）监督学习，导致了诸如严重依赖标签、泛化能力差和鲁棒性弱等不足。为解决这些问题，自监督学习（SSL）通过精心设计的 pretext 任务在不依赖人工标签的情况下提取有用知识，已成为图数据一种有前景且流行的学习范式。不同于计算机视觉和自然语言处理等其他领域的 SSL，图上的 SSL 具有独特的背景、设计思想和分类体系。在图自监督学习的框架下，我们对现有采用 SSL 技术的图数据方法进行了及时且全面的回顾。我们构建了一个统一框架，从数学上形式化了图 SSL 的范式。根据 pretext 任务的目标，我们将这些方法分为四类：基于生成的、基于辅助属性的、基于对比的以及混合方法。我们进一步描述了图 SSL 在各个研究领域中的应用，并总结了图 SSL 常用的数据集、评估基准、性能比较和开源代码。最后，我们讨论了该研究领域剩余的挑战和潜在未来方向。
引用
@article{arxiv.2103.00111,
title = {Graph Self-Supervised Learning: A Survey},
author = {Yixin Liu and Ming Jin and Shirui Pan and Chuan Zhou and Yu Zheng and Feng Xia and Philip S. Yu},
journal= {arXiv preprint arXiv:2103.00111},
year = {2022}
}
备注
26 pages, 9 figures, 9 tables