SOLA-GCL：面向子图的可学习增强方法用于图对比学习
机器学习
2025-03-14 v1
摘要
图对比学习已成为一种强大的学习鲁棒且具有判别力的图表示的技术。然而，传统方法往往忽视了子图结构的关键作用，特别是子图内部特征和子图间关系，这些对于生成信息丰富且多样化的对比对至关重要。这些子图特征在不同类型的图中差异显著，例如在社交网络中它们代表社区，在生化网络中它们象征分子相互作用。为解决这一问题，我们的工作提出了一种新颖的面向子图的可学习增强方法用于图对比学习，称为SOLA-GCL，其核心围绕子图，充分利用子图信息进行数据增强。具体而言，SOLA-GCL首先根据图的内在属性将图划分为多个密集连接的子图。为保留和增强子图固有的独特特征，图视图生成器为每个子图优化增强策略，从而为图对比学习生成定制视图。该生成器结合了子图内部和子图间的增强策略，包括节点丢弃、特征掩码、子图内边扰动、子图间边扰动和子图交换。在从社交网络到分子的各种图学习应用中，在半监督学习、无监督学习和迁移学习设置下进行了广泛实验，以证明所提方法在图对比学习领域优于现有最先进方法。
引用
@article{arxiv.2503.10100,
title = {SOLA-GCL: Subgraph-Oriented Learnable Augmentation Method for Graph Contrastive Learning},
author = {Tianhao Peng and Xuhong Li and Haitao Yuan and Yuchen Li and Haoyi Xiong},
journal= {arXiv preprint arXiv:2503.10100},
year = {2025}
}