Was ist kontrastives Lernen auf Graphen (DGI, GraphCL)?

Kontrastives Lernen auf Graphen ist eine Methode zur Erzeugung von Repräsentationen von Knoten oder Graphen, die auf dem Vergleich von positiven und negativen Beispielpaaren basiert, um bedeutende Merkmale zu erkennen.

Insbesondere:

• DGI (Deep Graph Infomax) trainiert das Modell, indem es die gegenseitige Information zwischen lokalen (Knoten-) und globalen (Graph-)Repräsentationen maximiert. Dies wird erreicht, indem echte Graphen mit negativen (z.B. verrauschten oder zufälligen) Versionen kontrastiert werden.

• GraphCL verwendet verschiedene Augmentierungen von Graphen (z.B. Entfernen von Kanten, Maskieren von Knoten), um positive Paare zu erstellen, während andere Graphen oder Augmentierungen als negative dienen. Das Modell lernt, positive Paare von negativen zu unterscheiden, was die Qualität der Einbettungen verbessert.

Auf diese Weise hilft kontrastives Lernen auf Graphen dabei, robuste und informative Repräsentationen zu trainieren, ohne große Mengen an gelabelten Daten zu benötigen.