1. 简介
GCL是自监督学习（SSL）的一种方法，它可以从无标签的图数据中生成有意义的表示。GCL不需要标注数据，而是通过对比学习的方式来学习图的结构和特征
。
2. 基本原理
增强策略：GCL的增强策略是为了生成正例，这些正例在图结构中应该有相似的特征或结构。增强策略可以是基于规则的（如随机扰动或mask），也可以是基于学习的（如图结构学习）
。
对比模式：GCL的对比模式包括同尺度对比和跨尺度对比。同尺度对比比较全局级别、上下文级别和局部级别的图表示，而跨尺度对比则比较不同粒度的图表示
。
对比优化目标：GCL的优化目标通常包括最小化正样本之间的距离和最大化负样本之间的距离。损失函数可以表示为：
$$ \mathcal{L}{\text{con}} = \sum{i=1}^{N} \log \frac{\exp(s(f_i, f_i^+)) / \tau)}{\exp(s(f_i, f_i^+)) / \tau) + \sum_{j=1}^{M} \exp(s(f_i, f_j^-)) / \tau)} $$
其中，$f_i$和$f_i^+$是正例对，$f_j^-$是负例，$s(\cdot, \cdot)$是相似性度量函数，$\tau$是温度参数
。
3. 应用场景
GCL在多个领域都有应用，包括图分类、节点分类、图匹配、图生成和图聚类
。
4. 挑战与未来发展
GCL面临的挑战包括如何有效地选择增强策略、如何避免模型坍塌以及如何提高图表示的判别能力。未来的发展方向可能包括更深入的理论分析、更有效的增强策略以及更广泛的应用场景
。
5. 最新的研究进展
中国科学院软件研究所提出了一种新的图对比学习方法DRGCL，该方法从因果的角度探索自监督图对比学习中的维度基本原理，并在预训练阶段进一步形式化变量之间的因果关系，构建相应的结构因果模型
。
GCL作为一种自监督学习方法，已经在多个领域展现了其潜力。随着研究的深入和技术的进步，GCL有望在更多的应用场景中发挥重要作用。
