基于拓扑变换的自监督图表示学习

我们提出拓扑变换等变表示学习，这是一种用于图数据节点表示的自监督学习通用范式，以使图卷积神经网络（GCNNs）具有广泛适用性。我们从信息论视角形式化了所提模型，通过最大化拓扑变换与变换前后节点表示之间的互信息。我们推导得出，最大化此类互信息可放宽为最小化所施加的拓扑变换与其从节点表示中的估计之间的交叉熵。特别地，我们寻求从原始图中采样一个节点对子集，并翻转每对之间的边连接性以变换图拓扑。然后，我们通过从原始图和变换图的特征表示中重建拓扑变换，自训练一个表示编码器来学习节点表示。在实验中，我们将所提模型应用于下游节点分类、图分类和链接预测任务，结果表明所提方法优于最先进的无监督方法。