Czym jest uczenie kontrastowe na grafach (DGI, GraphCL)?

Uczenie kontrastowe na grafach to metoda uczenia reprezentacji węzłów lub grafów, która opiera się na porównywaniu par pozytywnych i negatywnych przykładów w celu wykrycia istotnych cech.

W szczególności:

• DGI (Deep Graph Infomax) trenuje model, maksymalizując wzajemną informację między lokalnymi (węzłowymi) a globalnymi (grafowymi) reprezentacjami. Osiąga się to poprzez kontrastowanie prawdziwych grafów z negatywami (np. z zaszumionymi lub losowymi wersjami).

• GraphCL używa różnych augmentacji grafów (np. usuwanie krawędzi, maskowanie węzłów) do tworzenia par pozytywnych, podczas gdy inne grafy lub augmentacje służą jako negatywy. Model uczy się odróżniać pary pozytywne od negatywnych, co poprawia jakość osadzeń.

W ten sposób uczenie kontrastowe na grafach pomaga trenować odporne i informacyjne reprezentacje bez konieczności posiadania dużej ilości danych oznaczonych.