본 논문은 그래프 기반 학습 기법 중 하나인 그래프 대조 학습(GCL)의 한계점을 해결하기 위해 자기 강화 그래프 대조 학습(SRGCL) 프레임워크를 제안한다. 기존 GCL의 주요 문제점인 품질이 낮은 양성 샘플 쌍 선택 문제를 해결하기 위해, 모델의 자체 인코더를 활용하여 양성 샘플 쌍의 품질을 동적으로 평가하고 선택하는 기법을 제시한다. 다양한 증강 전략을 사용하는 통합된 양성 샘플 쌍 생성기와, 잠재 공간의 기하학적 구조를 유지하기 위해 다양체 가설에 기반한 선택기를 설계하였다. 확률적 메커니즘을 통해 양성 샘플 쌍을 선택함으로써, 인코더의 표현 능력이 향상됨에 따라 샘플 쌍의 품질 평가를 반복적으로 개선한다. 다양한 그래프 수준 분류 작업에 대한 광범위한 실험을 통해 SRGCL이 최첨단 GCL 방법들을 능가하는 성능을 보임을 확인하여, 다양한 분야에서의 적응성과 효율성을 입증하였다.
