SimGRACE: A Simple Framework for Graph Contrastive Learning with
这篇论文发表于WWW 2022
论文地址：https://arxiv.org/pdf/2202.03104.pdf
作者认为现在的图对比学习中的增广操作主要有3种方式：
通过试错对每个数据集手动选择增强方式
通过繁琐的搜索来选择增强
通过引入昂贵的特定领域知识作为指导来获得增强
以上3种方法都限制了现有GCL方法的效率和更普遍的适用性。为了避免这些关键问题，作者提出了一个简单的图对比学习框架，简称SimGRACE，它不需要数据扩充。具体来说，作者将原始图作为输入，将原始GNN和具有扰动版本的GNN模型作为两个编码器，以获得两个视图进行对比。SimGRACE的灵感来自于这样一个观察，即图数据可以在编码器扰动期间很好地保持其语义，而不需要手动试错、繁琐的搜索或昂贵的领域知识来进行扩充选择。而且解释了为什么SimGRACE能够成功。此外，作者设计对抗性训练计划，被称为AT-SimGRACE，以增强图对比学习的稳健性并从理论上解释了原因。尽管很简单，但证明了SimGRACE可以
与最先进的方法在可推广性、可转移性和鲁棒性方面相当或者更好，同时享有前所未有的灵活性和效率。
例如，GraphCL首先为GCL设计了四种类型的通用增强（节点丢弃、边缘扰动、属性屏蔽和子图）。然而，这些增强并不适用于所有场景，因为图的结构信息和语义在各个领域之间差异很大。例如，GraphCL发现边缘扰动有利于社交网络，但会损害GCL中的一些生物化学分子。更糟糕的是，即使扰动很弱，这些扩充也可能完全改变图的语义。例如，在苯环中丢弃一个碳原子将改变芳香系统并产生烯烃链，这将大大改变分子的性质。为了解决这些问题，最近提出了若干策略。通常，GraphCL通过繁琐的尝试和错误手动选择每个数据集的数据增强，这大大限制了他们提出的框架的通用性和实用性。为了摆脱GraphCL的繁琐的数据集特定手动调整，JOAO[53]提出在选择扩充对时自动化GraphCL。
