最近,对比学习(CL)已成为一种无监督的图表示学习的非常热门的方法。大多数图CL方法首先在输入图上进行随机扩充,得到两个视图,并使两个视图的表示一致性最大化。尽管图CL方法得到了长足的发展,但图增广方案(CL中的关键组成部分)的设计仍然很少被探索。
本文认为,数据扩充方案应保留图的内在固有结构和属性信息,这使得模型对不重要的节点和边的扰动不敏感。但是,大多数现有方法采用统一的数据增强方案,例如统一减少边和shuffle特征,导致性能欠佳。在本文中,作者提出了一种新的具有自适应增强的图对比表示学习方法,该方法结合了图的拓扑和语义方面的各种先验。
具体来说,在拓扑级别,本文基于节点中心性度量设计增强以突出重要的连接结构。拓扑属性考虑了:
在节点属性级别上,通过向不重要的节点特征添加更多噪声来破坏节点特征,以强制模型识别基础语义的信息。具体的方法参考:椒盐噪声
本文对各种真实的数据集进行了广泛的节点分类实验。实验表明,提出的方法始终优于现有的最新方法,甚至超过了一些监督学习的对应方法,这证明了采用自适应增强的对比框架的有效性。