少即是多：迈向简单的图对比学习
机器学习
2026-05-12 v4
摘要
图对比学习（GCL）在无监督图表示学习方面展现出巨大潜力，然而其在异配性图（其中相连节点通常属于不同类别）上的有效性仍然有限。大多数现有方法依赖于复杂的数据增强方案、复杂的编码器或负采样，这引发了一个问题：在这种具有挑战性的设定下，这种复杂性是否真的必要。在这项工作中，我们重新审视了图上监督和无监督学习的基础，并揭示了一个简单而有效的 GCL 原则：通过将节点特征噪声与源自图拓扑的结构特征进行聚合来缓解它。这一观察表明，原始节点特征和图结构自然地为对比学习提供了两个互补的视图。基于这一见解，我们提出了一个极其简单的 GCL 模型，该模型使用 GCN 编码器捕获结构特征，并使用 MLP 编码器隔离节点特征噪声。我们的设计既不需要数据增强，也不需要负采样，却在异配性基准测试上以最小的计算和内存开销取得了最先进的结果，同时在同配性图中也提供了复杂度、可扩展性和鲁棒性方面的优势。我们为我们的方法提供了理论证明，并通过大量实验验证了其有效性，包括针对黑盒和白盒对抗攻击的鲁棒性评估。
引用
@article{arxiv.2509.25742,
title = {Less is More: Towards Simple Graph Contrastive Learning},
author = {Yanan Zhao and Feng Ji and Jingyang Dai and Jiaze Ma and Wee Peng Tay},
journal= {arXiv preprint arXiv:2509.25742},
year = {2026}
}