面向自监督图表示学习的全粒度自我语义传播方法

无监督/自监督图表示学习对下游节点级和图级分类任务至关重要。图的全局结构有助于区分性表示，现有方法主要通过引入额外监督来利用全局结构。然而，它们的全局语义对所有节点/图通常是不变的，且未能显式嵌入全局语义以丰富表示。本文提出面向自监督图表示学习的全粒度自我语义传播方法（OEPG）。具体而言，我们引入实例自适应的全局感知自我语义描述子，利用每个节点/图与整个图数据集的分层全局簇之间的一阶和二阶特征差异。这些描述子可作为新邻居节点显式集成到局部图卷积中。此外，我们设计了针对自我语义全尺度与全层级的全粒度归一化，从全粒度视角为每个描述子分配注意力权重。进一步开发了专门的预训练任务和跨迭代动量更新以实现局部-全局互适应。在下游任务中，OEPG 在跨尺度与跨领域的多个数据集上持续取得最佳性能，准确率提升 2%~6%。值得注意的是，OEPG 也能泛化到数量与拓扑不平衡场景。