본 논문은 그래프 표현 학습(GRL)에서 비용이 많이 드는 사람의 주석을 피하기 위해 자기 지도 학습(SSL) 방법을 사용하는 새로운 방법인 SubGEC(Subgraph Gaussian Embedding Contrast)을 제안합니다. SubGEC은 하위 그래프를 구조화된 가우시안 공간에 적응적으로 매핑하는 하위 그래프 가우시안 임베딩 모듈을 도입하여 입력 하위 그래프의 특성을 보존하면서 제어된 분포를 가진 하위 그래프를 생성합니다. 그런 다음 Wasserstein 및 Gromov-Wasserstein 거리와 같은 최적 전송 거리를 사용하여 하위 그래프 간의 유사성을 효과적으로 측정하여 대조 학습 프로세스의 강건성을 향상시킵니다. 여러 벤치마크에 대한 광범위한 실험을 통해 SubGEC이 최첨단 방법보다 성능이 우수하거나 경쟁력 있는 성능을 보임을 보여줍니다. 이 연구 결과는 생성된 대조 쌍의 분포의 중요성을 강조하며 GRL을 위한 SSL 방법 설계에 대한 통찰력을 제공합니다.
