O que é o aprendizado contrastivo em grafos (DGI, GraphCL)?

O aprendizado contrastivo em grafos é um método de aprendizagem de representações de nós ou grafos que se base na comparação de pares positivos e negativos de exemplos para identificar características significativas.

Em particular:

• DGI (Deep Graph Infomax) treina o modelo maximizando a informação mútua entre as representações locais (de nós) e globais (do grafo). Isso é alcançado contrastando grafos reais com negativos (por exemplo, versões ruidosas ou aleatórias).

• GraphCL utiliza várias aumentações de grafos (como remover arestas, mascarar nós) para criar pares positivos, enquanto outros grafos ou aumentações servem como negativos. O modelo aprende a distinguir pares positivos de negativos, o que melhora a qualidade das embeddings.

Assim, o aprendizado contrastivo em grafos ajuda a treinar representações robustas e informativas sem a necessidade de grandes quantidades de dados rotulados.