面向专家的图表示自监督学习解释

图表示自监督学习指的是一类学习方法，通过预设任务在没有外部标签的情况下学习节点、边或整个图的表示。

形式上，考虑一个图 \( G = (V, E) \)，其中 \( V \) 是节点集合，\( E \) 是边集合。目标是学习一个嵌入函数 \( f_\theta: V \cup E \rightarrow \mathbb{R}^d \)，该函数能够映射结构和语义特征。

典型的自监督任务包括：

• 对比学习，通过区分正样本对（例如节点及其邻居）和负样本对。
• 重构任务，预测图的部分内容（例如边或属性）。
• 节点特征的掩码及其预测。

图神经网络（GNNs），如 GCN、GAT 或 GraphSAGE，作为编码器聚合局部邻域信息。

定义：
“图表示自监督学习是一种学习范式，利用图结构和属性，通过预设任务在无外部标签的情况下学习节点、边或整个图的有意义嵌入。”

来源：
Hu, W., 等. (2020). 预训练图神经网络的策略。第八届国际学习表示会议（ICLR）论文集。