Wat is contrastief leren op grafen (DGI, GraphCL)?

Contrastief leren op grafen is een methode voor het leren van representaties van knooppunten of grafen, gebaseerd op het vergelijken van positieve en negatieve voorbeeldparen om belangrijke kenmerken te identificeren.

In het bijzonder:

• DGI (Deep Graph Infomax) traint het model door de wederzijdse informatie tussen lokale (knooppunt) en globale (grafiek) representaties te maximaliseren. Dit wordt bereikt door echte grafen te contrasteren met negatieve voorbeelden (bijvoorbeeld, vervuilde of willekeurige versies).

• GraphCL gebruikt verschillende augmentaties van grafen (zoals het verwijderen van randen, het maskeren van knooppunten) om positieve paren te creëren, terwijl andere grafen of augmentaties als negatief worden beschouwd. Het model leert positieve paren te onderscheiden van negatieve, wat de kwaliteit van de embeddings verbetert.

Op deze manier helpt contrastief leren op grafen bij het trainen van robuuste en informatieve representaties zonder dat grote hoeveelheden gelabelde data nodig zijn.