超越同配性的多视图图表示学习

无监督图表示学习（GRL）旨在无标签监督下将多样的图信息提炼为任务无关的嵌入。由于缺乏标签支持，近期的表示学习方法通常采用自监督学习，通过求解手工设计的辅助任务（所谓 pretext 任务）来学习嵌入。然而，部分由于图中不规则的非欧几里得数据，pretext 任务通常在同配性假设下设计并局限于低频信号，导致其他信号尤其是异配图中广泛存在的高频信号显著丢失。受此局限启发，我们提出多视图视角并运用多样的 pretext 任务以将图中不同信号捕获至嵌入中。我们提出一种新颖框架，记为多视图图编码器（MVGE），并确立了一系列关键设计。更具体地，设计了一组新 pretext 任务以编码不同类型信号，并提出一种直接操作以维持属性与结构层面上的共性与个性化。在合成与真实网络数据集上的大量实验表明，MVGE 学习的节点表示在三种不同下游任务中取得显著性能提升，尤其在异配图上。源代码见 \url{https://github.com/G-AILab/MVGE}。