图对比学习 (GCL)

图对比学习（Graph Contrastive Learning）是图神经网络与对比学习交叉融合的前沿技术，旨在解决图数据中节点标签稀缺或噪声干扰严重的难题。其核心思想是将图节点映射到连续向量空间，通过定义正样本对（同一节点的不同视图或增强视图）与负样本对（不同节点），利用信息熵最小化或最大似然估计等损失函数，拉近正样本距离并推远负样本距离，从而学习到具有强判别性和结构感知的节点嵌入表示。该技术突破了传统图分类仅依赖标签监督的局限，在仅有少量标注数据或无标签数据场景下展现出显著优势。

在现代计算架构与图智能生态中，图对比学习扮演着连接非结构化图数据与高维语义空间的桥梁角色。它有效整合了图拓扑结构（如邻居关系、子图结构）与节点属性信息，通过自监督机制挖掘数据内在规律，显著降低了模型对人工标注数据的依赖。相较于传统的图卷积网络（GCN）和图注意力网络（GAT），图对比学习在节点分类、链接预测及图生成等任务中表现出更强的泛化能力和抗噪性，已成为构建鲁棒图智能系统的核心范式之一，广泛应用于社交网络分析、生物信息学及推荐系统等领域。