Page 194 - 《软件学报》2026年第1期
P. 194
刘子扬 等: 图对比学习方法综述 191
2 ( T 2 T 2 )
L = || ˆ Z− ˇ Z|| +λ || ˆ Z ˇ Z−I|| +|| ˇ Z ˆ Z−I|| (21)
F F F
其中, ˆ Z 和 ˇ Z 表示两个通道上得到的图表征, λ 表示正则化项对应的平衡系数, 表示单位矩阵. 典型相关分析损失
I
有两方面的特点: 1) 通过正则化鼓励不同特征维度捕捉不同语义, 2) 最大化两视图间的相关性.
3.4 图对比学习方法分类比较
我们首先对本文涉及的所有方法进行系统整理, 并以表格的形式汇总这些方法的关键特征 (如表 2 所示), 包
括数据增强方式、图神经网络结构、对比优化目标、下游任务以及时空复杂度等读者可能关注的点. 此表格将有
助于读者更清晰地理解和比较不同方法的特点.
表 2 不同图对比学习方法技术特点对比
方法名 数据增强方式 图神经网络结构 对比优化目标 下游任务 时间复杂度 空间复杂度
2
DGI [39] 固定式 对称编码器 杰森香农散度 节点分类 O( N H) O(E+ND+2NH)
2
GraphCL [40] 固定式 对称编码器 标准化温度交叉熵 图分类 O( N H) O(E+ND+2NH)
2
GRACE [41] 固定式 对称编码器 标准化温度交叉熵 节点分类 O( N H) O(E+ND+2NH)
2
InfoGraph [42] 固定式 对称编码器 杰森香农散度 图分类 O( N H) O(E+ND+2NH)
2
InfoGraph* [42] 固定式 对称编码器 杰森香农散度 图分类 O( N H) O(E+ND+2NH)
[43]
2
AD-GCL 可学习式 对称编码器 标准化温度交叉熵 图分类 O( N H) O(E+ND+2NH)
[44] 2
LP-InfoMin 可学习式 对称编码器 标准化温度交叉熵 图分类 O( N H) O(E+ND+2NH)
[44] 2
LP-InfoBN 可学习式 对称编码器 标准化温度交叉熵 图分类 O( N H) O(E+ND+2NH)
2
SimGRACE [45] 无图数据增强 对称编码器 标准化温度交叉熵 图分类 O( N H) O(E+ND+2NH)
SimGCL [46] 无图数据增强 对称编码器 标准化温度交叉熵 商品推荐 O(BH+BNH) O(2BH)
AFGRL [47] 无图数据增强 对称编码器 BYOL 节点分类 O( NH) O(E+ND+2NH)
2
MVGRL [71] 固定式 对称编码器 杰森香农散度 节点分类 O( N H) O(E+ND+3NH)
2
GCA [72] 固定式 对称编码器 标准化温度交叉熵 节点分类 O( N H) O(E+ND+2NH)
[73]
BGRL 固定式 非对称编码器 BYOL 节点分类 O( NH) O(E+ND+2NH)
2
GCC [74] 固定式 非对称编码器 标准化温度交叉熵 节点/图分类 O( N H) O(E+ND+2NH)
2
JOAO [75] 可学习式 对称编码器 标准化温度交叉熵 图分类 O( N H) O(E+ND+2NH)
2
InfoGCL [76] 固定式 对称编码器 标准化温度交叉熵 节点/图分类 O( N H) O(E+ND+2NH)
[77]
2
GMI 固定式 对称编码器 杰森香农散度 节点分类, 链接预测 O( N H) O(E+ND+2NH)
[78] 2
SUGAR 固定式 对称编码器 杰森香农散度 图分类 O( N H) O(E+ND+2NH)
2
SUGRL [79] 无图数据增强 非对称编码器 三元组边缘 节点分类 O( N H) O(E+ND+2NH)
2
SUBG-CON [80] 固定式 对称编码器 三元组边缘 节点分类 O( N H) O(E+ND+2NH)
2
G-BT [81] 固定式 对称编码器 巴洛孪生 节点分类 O( N H) O(E+ND+2NH)
2
CBGAE [82] 固定式 对称编码器 巴洛孪生 节点分类 O( N H) O(E+ND+2NH)
2
MERIT [83] 固定式 非对称编码器 标准化温度交叉熵 节点分类 O( N H) O(E+ND+2NH)
2
GGD [84] 固定式 对称编码器 二元交叉熵 节点分类 O( ND ) O(E+ND+2NH)
ABGML [85] 可学习式 非对称编码器 元学习损失 节点分类 O( NH) O(E+ND+2NH)
2
CCA [86] 固定式 对称编码器 典型相关分析 节点分类 O( N H) O(E+ND+2NH)
注: N、E、D表示图中节点数量、边数量、节点属性数量, H表示嵌入表征的维度, B表示批次的大小
此外, 为了更加形象、清晰地比较不同的图对比学习方法种类, 我们在表 3 中列举了不同图对比学习方法种
类的关注角度、概述、各自的优势和劣势.
首先, 对于基于图数据增强分类的图对比学习算法, 不难发现使用固定式图数据增强的算法往往设计简单、
易于操作, 这种简易性使得该类算法在复杂度上具有明显的优势, 但是缺乏一定的算法灵活性; 使用可学习图数据
