qq_40671063的博客

data:要求加载或者类型数据；: 每轮迭代要采样邻居节点的个数，即第i-1轮要为每个节点采样个节点，如果为-1，则代表所有邻居节点都将被包含(一阶相邻邻居)，在异构图中，还可以使用字典来表示每个单独的边缘类型要采样的邻居数量；: 中心节点集合，用来指导采样一个mini-batch内的节点，如果为None，则代表包含data中的所有节点。如果设置为 None，将考虑所有节点。在异构图中，需要作为包含节点类型和节点索引的元组传递。（默认值：None）

论文阅读 —— Graph Self-Supervised Learning: A Survey （自监督图学习综述）

GL = {G1, · · · , G|GL|} 以及相应的输出 {o1, · · · , o|GL |}，以及一组未标记的样本 GU = {G|GL|+ 1, · · · , G|GL|+|GU |}，我们的目标是学习一个可以对未见过的图做出预测的模型。但是，由于我们关注的问题不同，因此存在重要的设计差异。我们凭经验表明，InfoGraph 在使用无监督学习的图分类任务上超越了最先进的性能，并且在使用半监督学习的分子特性预测任务上获得了与最先进的方法相当的性能。然后，我们介绍了我们学习图级表示的方法。

在我们的实现中，我们选择 f1 = f2 并通过数据扩充生成 ^Gi, ^Gj，而组合的各种选择导致 (4) 实例化为其他特定的对比学习算法，包括 [54, 55, 56, 21, 57, 58 , 59] 也显示在附录 F。我们想强调投影头在框架中的关键作用，它提供可学习的权重来为得分函数构建函数空间，与丢弃投影头相比达到更严格的下界（它的关键作用也在[3]中进行了经验验证）。的组合决定了我们期望的视图。负对不是明确采样的，而是从与 [53、18] 中相同的小批量中的其他 N-1 个扩充图中生成的。

simple-HGN 介绍 - 一种简单有效的异构图建模方法

https://blog.youkuaiyun.com/weixin_39925939/article/details/121458145

GraphSAGE 源代码 -- 分图训练

PyG学习 - Dataset, DataLoader, Tranforms

异质图综述 - Graph Neural Networks for Graphs with Heterophily: A Survey（CoRR 2022）