ICML22 arixv目前：Structural and Semantic Contrastive Learning for Self-supervised Node Representation

文章信息

摘要

本文是 采用了近几年多个技术来进行 拼接。 包含对比学习，标签传播，原型网络，图扩散

方法

1. 结构化对比学习

通过图扩散，生成多个增强的图，作者利用这种 特征传播和 特征转化解耦的方式 ，并通过多跳来获得全局结构关系

就是计算了多个 跳 的对比损失（4），（3）就是NCEloss。 （2）是SGC的形式，解耦。

2. 语义对比学习

采用原型网络来获取节点的语义关系，如何确定原型的数目至关重要（kmeans等不知道最优的k）
作者首先说引入DPMM（迪利克雷处理混合模型）假设节点表征是符合高斯分布（这里存疑，我们可以之后考虑 cvprdbgan 那个原型分布 hhh