面向图对比学习的随机化舒尔补视图

我们提出了一种基于舒尔补的随机化拓扑增强器，用于图对比学习（GCL）。给定图拉普拉斯矩阵，该技术生成其舒尔补的无偏近似，并将相应图视为增强视图。我们讨论了该方法的好处，提供了理论依据，并展示了其与图扩散的联系。与以往工作不同，我们通过改变后续 GCL 阶段（如编码与对比）的设计选择，以受控方式研究该增强器的经验有效性。在节点与图分类基准上的大量实验表明，我们的技术持续优于预定义与自适应增强方法，取得了最先进的结果。