人工智能学院曹晓锋副教授指导的2021级硕士研究生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。
