最近，通过对比学习，自监督学习在图神经网络（Graph Neural Network， GNN）中显示出巨大的潜力，其目的是区分数据集中的每个节点或实例。然而，对比学习中通常将锚节点增广的样本视为正样本，其余样本都视为负样本，存在被打错标签的“伪负样本”问题，即一些被人为设定的负样本实际上是正样本，这会带偏模型学习效果。为了解决这一问题，本文提出了一种新的自监督对比学习框架FD4GCL，该框架可以渐进检测并纠正伪负样本。具体来说，在属性感知方面，建立了一种随训练过程自适应演变的属性阈值计算方法，通过计算节点间的属性相似度，根据属性阈值检测伪负样本；结构感知方面，鉴于图结构的不变性，设置结构阈值，计算节点间的结构相似度，根据结构阈值检测伪负样本，纠正大量的伪负样本有助于学到泛化性更强的节点表示。在多个数据集上进行了多次实验，用节点分类作为下游任务对模型进行评估，实验结果表明FD4GCL在三个引文数据集上相比次优方法节点分类准确率平均提升了1%，在其余数据集上相比次优方法平均提升了0.5%。

0 引言
1 相关工作
1.1 图对比学习
1.2 负采样
2 方法描述
2.1 问题定义
2.2 模型设计
2.3 数据增广模块
2.4 GNN编码器模块
2.5 伪负样本检测模块
2.5.1 属性感知检测
2.5.2 结构感知检测
2.6 对比损失模块
3 实验结果与分析
3.1 数据集
3.2 基准算法介绍
3.3 评估基准
3.4 实验设置
3.5 实验结果及分析
3.6 参数敏感性分析
3.7 消融实验
4 结语

张彬彬,王莉.基于伪负样本检测的图对比学习框架[J/OL].太原理工大学学报:1-13[2023-06-15].http://kns.cnki.net/kcms/detail/14.1220.N.20230531.1537.004.html