Deep Graph Contrastive Representation Learning

Die Lernung von Graphendarstellungen ist heute grundlegend für die Analyse graphenstrukturierter Daten. Angeregt durch den jüngsten Erfolg kontrastiver Methoden stellen wir in diesem Paper einen neuartigen Rahmen für unsupervisierte Lernung von Graphendarstellungen vor, der ein kontrastives Ziel auf Knotenebene nutzt. Konkret generieren wir zwei Graphensichten durch Störung und lernen Knotendarstellungen, indem wir die Übereinstimmung der Knotendarstellungen in diesen beiden Sichten maximieren. Um vielfältige Knotenkontexte für das kontrastive Ziel bereitzustellen, schlagen wir ein hybrides Verfahren zur Erzeugung von Graphensichten auf struktureller und attributiver Ebene vor. Zudem geben wir theoretische Begründungen für unsere Motivation aus zwei Perspektiven: der gegenseitigen Information und dem klassischen Dreierpaar-Verlust (triplet loss). Wir führen empirische Experimente sowohl auf transduktiven als auch auf induktiven Lernaufgaben mit einer Vielzahl realer Datensätze durch. Die Experimente zeigen, dass unsere vorgeschlagene Methode, trotz ihrer Einfachheit, konsistent deutlich gegenüber bestehenden State-of-the-Art-Methoden abschneidet. Darüber hinaus übertrifft unsere unsupervisierte Methode sogar ihre supervisierten Gegenstücke bei transduktiven Aufgaben, was ihr großes Potenzial für Anwendungen in der Praxis unterstreicht.