A Fused Gromov-Wasserstein Approach to Subgraph Contrastive Learning
作者: Amadou S. Sangare, Nicolas Dunou, Jhony H. Giraldo, Fragkiskos D. Malliaros
发布时间: 2025-03-03
来源: arxiv
研究方向: 图表示学习与自监督学习
主要内容
本文提出了一种名为FOSSIL的融合Gromov-Wasserstein子图对比学习方法，用于自监督图表示学习。该方法结合了节点级和子图级对比学习，利用融合Gromov-Wasserstein距离同时捕捉节点特征和图结构，旨在解决现有方法在结构模式和节点相似性利用方面的不足。
主要贡献
1. 引入了FOSSIL方法，通过融合Gromov-Wasserstein距离同时捕捉节点特征和图结构，解决了现有方法在结构模式和节点相似性利用方面的不足。
2. 设计了鲁棒的架构，能够适应图数据集中同质性和异质性的变化，并通过解耦方案有效处理异质性数据。
3. 对FOSSIL进行了广泛的实证评估，证明了其在自监督节点分类任务中相对于现有方法的有效性，并在多个基准图数据集上取得了优异或具有竞争力的性能。
研究方法
1. 融合Gromov-Wasserstein距离（FGWD）
2. 节点级和子图级对比学习
3. 解耦的图神经网络（GNN）编码器
4. 自适应图扰动策略
5. 子图采样
6. 基于最优传输（OT）的自监督损失函数
实验结果
FOSSIL在多个基准图数据集上取得了优异或具有竞争力的性能，优于或与现有方法相当。在自监督节点分类任务中，FOSSIL在异质性和同质性的图数据集上都表现出色，证明了其有效性和鲁棒性。
未来工作
未来研究方向包括：整合高通特征提取器以提高异质性数据集的性能；将FOSSIL扩展到其他下游任务，如链接预测或图分类；进一步研究如何更好地处理异质性图数据集。