SimGRACE: Un marco simple para el aprendizaje contrastivo de grafos sin aumento de datos

El aprendizaje contrastivo de grafos (GCL) ha surgido como una técnica dominante para el aprendizaje de representación de grafos que maximiza la información mutua entre aumentaciones de grafos emparejadas que comparten la misma semántica. Desafortunadamente, es difícil preservar bien la semántica durante las aumentaciones debido a la naturaleza diversa de los datos de grafos. Actualmente, las aumentaciones de datos en GCL caen en tres métodos insatisfactorios. Primero, las aumentaciones pueden ser seleccionadas manualmente por conjunto de datos a través de prueba y error. Segundo, las aumentaciones pueden ser seleccionadas mediante una búsqueda engorrosa. Tercero, las aumentaciones pueden ser obtenidas con costosos conocimientos de dominio como guía. Todo esto limita la eficiencia y la aplicabilidad más general de los métodos GCL existentes. Para eludir estos problemas cruciales, proponemos un marco simple para el aprendizaje contrastivo de grafos, SimGRACE, que no requiere aumentaciones de datos. Específicamente, tomamos el grafo original como entrada y el modelo GNN con su versión perturbada como dos codificadores para obtener dos vistas correlacionadas para el contraste. SimGRACE se inspira en la observación de que los datos de grafos pueden preservar bien su semántica durante las perturbaciones del codificador sin requerir prueba y error manual, búsqueda engorrosa o conocimientos de dominio costosos para la selección de aumentaciones. Además, explicamos por qué SimGRACE puede tener éxito. Además, diseñamos un esquema de entrenamiento adversarial, denominado AT-SimGRACE, para mejorar la robustez del aprendizaje contrastivo de grafos y explicar teóricamente las razones. A pesar de ser simple, mostramos que SimGRACE puede lograr un rendimiento competitivo o mejor en comparación con los métodos más avanzados en términos de generalizabilidad, transferibilidad y robustez, mientras se disfruta de un grado sin precedentes de flexibilidad y eficiencia. El código está disponible en: https://github.com/junxia97/SimGRACE.