Seleção de amostra aprimorada em aprendizado contrastivo de grafos com fusão de atributos e estrutura

O aprendizado contrastivo de grafos (GCL) surgiu como uma estrutura crucial para o avanço do aprendizado de representação gráfica auto-supervisionado. No entanto, um desafio crítico no GCL decorre da seleção insuficiente de amostras positivas, o que resulta em sinais de supervisão limitados e prejudica significativamente o processo de aprendizado de representação. Para resolver essa questão, propomos o módulo de Amostragem por Fusão de Atributos e Estrutura (ASFS) - uma estrutura nova, plug-and-play, projetada para integração perfeita com modelos GCL existentes. Especificamente, ele aproveita informações de atributos e estruturais para selecionar de forma abrangente amostras positivas de alta qualidade para cada nó. Para aumentar ainda mais a confiabilidade das amostras positivas, empregamos um mecanismo dinâmico de auto-correção baseado em agrupamento profundo, que refina iterativamente as amostras selecionadas durante o processo de treinamento. Experimentos extensivos em seis conjuntos de dados de grafos de referência demonstram a eficácia e adaptabilidade do ASFS na abordagem do desafio da seleção de amostras positivas no GCL.