SimGRACE：一种无需数据增强的图对比学习简单框架

图对比学习（GCL）已成为图表示学习的主流技术，其通过最大化共享相同语义的成对图增强之间的互信息来工作。遗憾的是，鉴于图数据性质的多样性，在增强过程中很难很好地保持语义。当前 GCL 中为保护语义而设计的数据增强大致落入三种不尽如人意的方式。第一，增强可针对每个数据集通过试错手动挑选。第二，增强可通过繁琐的搜索来选取。第三，增强可通过引入昂贵的领域特定知识作为指导来获得。这些都限制了现有 GCL 方法的效率与更通用的适用性。为规避这些关键问题，我们提出一种无需数据增强的图对比学习简单框架（\underline{Sim}ple framework for \underline{GRA}ph \underline{C}ontrastive l\underline{E}arning，简称 \textbf{SimGRACE}）。具体而言，我们以原始图作为输入，并将 GNN 模型及其扰动版本作为两个编码器，获得两个相关视图用于对比。SimGRACE 的灵感来源于如下观察：图数据在编码器扰动下能很好地保持语义，同时无需为增强选择进行手动试错、繁琐搜索或昂贵领域知识。此外，我们解释了 SimGRACE 为何能成功。进一步地，我们设计了名为 \textbf{AT-SimGRACE} 的对抗训练方案，以增强图对比学习的鲁棒性，并从理论上解释了原因。尽管简单，我们表明 SimGRACE 在泛化性、可迁移性与鲁棒性方面可比肩或优于最先进方法，同时具备前所未有的灵活性与效率。