Cos'è l'apprendimento contrastivo sui grafi (DGI, GraphCL)?

L'apprendimento contrastivo sui grafi è un metodo di apprendimento delle rappresentazioni di nodi o grafi che si basa sul confronto tra coppie positive e negative di esempi per identificare caratteristiche significative.

In particolare:

• DGI (Deep Graph Infomax) addestra il modello massimizzando l'informazione mutua tra le rappresentazioni locali (dei nodi) e globali (del grafo). Ciò si ottiene contrastando grafi reali con negativi (ad esempio, versioni rumorose o casuali).

• GraphCL utilizza diverse aumentazioni di grafi (come rimozione di spigoli, mascheramento di nodi) per creare coppie positive, mentre altri grafi o aumentazioni sono negativi. Il modello impara a distinguere le coppie positive da quelle negative, migliorando la qualità delle embedding.

In questo modo, l'apprendimento contrastivo sui grafi aiuta a addestrare rappresentazioni robuste e informative senza la necessità di grandi quantità di dati etichettati.