摘要

我们提出一种基于舒尔补（Schur complement）的随机拓扑增强方法，用于图对比学习（Graph Contrastive Learning, GCL）。给定图的拉普拉斯矩阵，该方法能够生成其舒尔补的无偏近似，并将对应的图结构视为增强后的视图。我们探讨了该方法的优势，提供了理论支持，并揭示了其与图扩散过程之间的联系。与以往工作不同，我们通过系统性地调整后续GCL阶段的设计选择（如编码方式与对比策略），以受控的方式评估该增强器的实证有效性。在节点分类和图分类基准上的大量实验表明，我们的方法在各项任务中均显著优于预定义和自适应增强方法， consistently 达到了当前最优（state-of-the-art）性能。