近年来，对比学习（CL）已成为一种成功的无监督图表示学习方法。大多数图对比学习方法首先对输入图进行随机增强，以获得两个图视图，并最大化两个视图中表示的一致性。尽管图对比学习方法得到了繁荣的发展，但数据增强方案的设计却比较少，数据增强方案应保留图的固有结构和属性，只对不太重要的节点和边进行扰动。这样，模型才能在不同版本的图中识别并保持关键部分的表示一致，同时对无关或不重要的部分变化不敏感，学到更加稳健的图表示。
        该论文提出一种自适应增强的图对比学习方法（Graph Contrastive learning with Adaptive augmentation, GCA），通过为图中的边和节点特征引入可学习的扰动或删除概率，从而在对比学习中自动识别和保留关键结构，并对不重要信息进行适度扰动。        
       具体而言，模型先利用可微的增广模块对原始图进行两次自适应增广，再将增广后的两个视图分别输入同一 GNN 编码器，最终通过对比损失来学习对关键信息更敏感、对噪声更鲁棒的表示。         首先，从增广函数集合中随机采样两个增广函数 t 和 t‘ 。 使用 t 和 t’ 对图 G 进行扰动，生成两个增强视图 G1 和 G2 。 将两个视图输入共享的 GNN 编码器 f ，分别生成对应的节点嵌入 U 和 V 。
        然后，使用公式2（InfoNCE损失）计算对比目标 J ，旨在最大化同一节点在两视图中的嵌入一致性，同时最小化不同节点嵌入的相似性。 使用随机梯度上升法优化对比目标 J ，更新模型参数。            综上所述，该论文提出了一种基于自适应增强的图对比学习方法，通过识别重要的边和节点特征，自适应优化图结构和属性。通过网络中心性分析识别重要的边和特征维度，在拓扑结构上优先移除不重要的边，帮助模型学习图的拓扑结构。在节点属性上，通过向不重要的特征维度添加噪声，突出关键语义信息。实验结果显示，GCA 表现优异，超越了多种现有方法，甚至部分超过监督模型。