我即我，我们即吾辈，我即吾辈：超图上的三向对比学习

尽管超图上的机器学习已引起相当关注，多数工作聚焦于（半）监督学习，这可能带来高昂标注成本与较差泛化性。近来，对比学习作为一种成功的无监督表示学习方法崭露头角。尽管对比学习在其他领域蓬勃发展，超图上的对比学习仍鲜有探索。本文中，我们提出 TriCL（三向对比学习），一种用于超图对比学习的通用框架。其主意为三向对比，具体而言，旨在两个增广视图中最大化（a）同一节点间、（b）同一节点组间、以及（c）每组与其成员间的契合度。配合简单却出奇有效的数据增广与负采样方案，这三种对比使 TriCL 能在节点嵌入中捕获微观与中观结构信息。我们使用 13 种基线方法、五个数据集与两项任务的广泛实验证明了 TriCL 的有效性，最显著的是，TriCL 在节点分类上不仅持续优于无监督竞争者，且大多以显著优势超越（半）监督竞争者。代码与数据集见 https://github.com/wooner49/TriCL。