简单无监督图表示学习方法

本发明公开了一种简单的无监督图表示学习方法，以进行有效且高效的对比学习。具体来说，方法中提出的多重损失函数利用了结构信息和邻域信息之间的互补性来扩大类间差异，并增加了一个上界损失，以实现正样本表示与锚点之间的有限距离，从而减少类内差异。因此，扩大类间差异和减少类内差异的结合实现了较小的泛化误差，从而获得了一个有效的模型。此外，我们的方法移除了以往图对比学习方法中广泛使用的数据增强和判别器，同时能够输出低维嵌入，提升了模型的效率。在各种真实世界的数据集上的实验结果验证了我们方法的有效性和高效性，相比于最先进的方法表现更优。