人工智能学院曹晓锋副教授指导的2021级必赢766net手机版卜维新同学主要从事图神经网络和自监督学习的研究工作，其最新研究被《Pattern Recognition》接收。《Pattern Recognition》是Elsevier旗下模式识别与机器学习领域的权威期刊，该期刊当前影响因子为IF (2023) = 8.518，属于中科院分区一区期刊。
论文题目：Improving Augmentation Consistency for Graph Contrastive Learning
论文作者：卜维新，曹晓锋 (共同一作)
通讯作者：曹晓锋
收录期刊：Pattern Recognition
期刊类别：中科院一区，CCF-B
论文概述:
图对比学习通过生成不同的对比视图来增强无监督图表征，其中需要将增强节点的属性与其锚节点对齐。然而，本工作发现，在现有的一些图对比学习方法中，由于增强方案的不一致，很难从锚视图继承图中的语义和结构属性，这可能会损害增强视图中的节点一致性。本工作提出ConGCL来提高节点一致性和增强节点分类性能。具体来说，本工作首先考虑上下文蕴涵，它集成了中心节点的语义和结构属性，以更好地挖掘节点底层的增强一致性关系。得益于此，本工作基于自适应alpha散度设计了一种新的增强一致性改进损失，以在随机增强方案下保持正节点对间的增强一致性。为了验证ConGCL在提高增强一致性和节点分类性能的有效性，本工作设计了增强不一致性系数指标，并在基准数据集上进行了实证研究和大量实验。
图：ConGCL的整体框架。在嵌入空间中，针对任意ui和vi节点，本工作分别获取它们各自的上下文子图表征进行上下文蕴涵，充分考虑节点视图的语义与结构关系更好地挖掘节点一致性。受益于此，本工作借助自适应alpha散度设计增强一致性损失约束正样本对节点ui和vi保持增强一致性协议 (相似性分布d1和d2保持一致)。最后引入整体损失优化模型。
