Qu'est-ce que l'apprentissage contrastif sur les graphes (DGI, GraphCL) ?

L'apprentissage contrastif sur les graphes est une méthode d'apprentissage de représentations de nœuds ou de graphes qui repose sur la comparaison de paires positives et négatives d'exemples pour identifier des caractéristiques significatives.

En particulier :

• DGI (Deep Graph Infomax) entraîne le modèle en maximisant l'information mutuelle entre les représentations locales (des nœuds) et globales (du graphe). Cela est réalisé en contrastant les graphes réels avec des négatifs (par exemple, des versions bruitées ou aléatoires).

• GraphCL utilise diverses augmentations de graphes (comme la suppression d'arêtes, le masquage de nœuds) pour créer des paires positives, tandis que d'autres graphes ou augmentations servent de négatifs. Le modèle apprend à distinguer les paires positives des négatives, ce qui améliore la qualité des embeddings.

Ainsi, l'apprentissage contrastif sur les graphes aide à entraîner des représentations robustes et informatives sans nécessiter une grande quantité de données annotées.