图不止所见：通过自监督学习通用特征

我们研究通过自监督学习可泛化到多个图的特征的问题。最先进的图自监督将训练限制于仅一个图，导致图特定的模型与不同但相关的图不兼容。我们假设，使用属于同一族的多个图进行训练可以提高所学表征的质量。然而，从不同图中异构的节点/边特征学习通用特征并非易事。为应对这一挑战，我们首先用图特定的编码器将异构特征同质化，将特征转换到公共空间。然后，通用表征学习模块在该公共空间上学习可泛化特征。我们表明，与传统的单图自监督相比，我们的方法带来（1）下游节点分类上更好的性能，（2）学习可复用于同族未见图的特征，（3）更高效的训练，以及（4）紧凑且可泛化的模型。我们还展示了所提框架在相对较大图上提供这些益处的能力。在本文中，我们提出了一种原则性方法来设计基础图模型，其以端到端方式从多个图学习，同时弥合自监督与有监督性能之间的差距。