“AI”科普丨图对比学习：综述与未来发展

文章预览

转自 专知 近年来，深度学习在图数据上的应用在多个领域取得了显著成功。然而，由于注释图数据的成本高昂且耗时，其依赖性仍然是一个重要的瓶颈。为了解决这一挑战，图数据上的自监督学习（自监督学习）引起了越来越多的关注，并取得了显著进展。自监督学习使机器学习模型能够从未标注的图数据中生成有信息量的表示，从而减少对昂贵标注数据的依赖。尽管自监督学习在图数据上得到了广泛应用， 但一个关键组件——图对比学习（Graph Contrastive Learning, GCL）在现有文献中尚未得到充分研究 。因此，本综述旨在填补这一空白，提供关于GCL的专题综述。我们对GCL的基本原理进行全面概述，包括数据增强策略、对比模式和对比优化目标。此外，我们探讨了GCL在其他数据高效图学习中的扩展，如弱监督学习、迁移学习和相关场景。我们还讨论 ………………………………