【ICML2024】社区不变图对比学习

近年来，图增强在图对比学习（GCL）中受到了广泛关注，以学习具有良好泛化性的节点/图表示。然而，主流的GCL方法常常偏爱随机破坏图进行增强，这种方法的泛化能力有限，并且不可避免地会破坏高级图信息，即图社区。此外，当前基于知识的图增强方法只能关注拓扑或节点特征之一，导致模型对各种类型的噪声缺乏鲁棒性。为了解决这些限制，本研究探讨了图社区在图增强中的作用，并发现了其对可学习图增强的关键优势。基于我们的观察，我们提出了一个社区不变的GCL框架，以在可学习的图增强过程中保持图社区结构。通过最大化光谱变化，该框架统一了拓扑和特征增强的约束，增强了模型的鲁棒性。在21个基准数据集上的实证证据展示了我们框架的独特优势。代码已在Github上发布[https://github.com/CI-GCL.git]。