【ICML2021】 具有局部和全局的自监督图表示学习

本文研究了无监督图表示学习，这在许多任务中至关重要，如药物和材料中分子特性预测。现有方法主要侧重于保留不同图实例之间的局部相似性，但是没有考虑整个数据集的全局语义结构。在本文中，作者提出了一个统一的框架，GraphLoG，用于自监督的全图表示学习。

具体来说，除了局部相似性之外，GraphLoG 还引入了层次原型来捕获全局语义。进一步提出了一种有效的在线期望最大化 (EM) 算法来学习模型。本文评估的方法是通过在未标记图预训练，然后对下游任务进行微调来进行。对化学和生物基准数据集的大量实验证明了所提出方法的有效性。