talk
这篇文章也是对比学习，亮点：就是把cv里面的很快用过了，采用动量编码器和project head，同时采用 冻结 target encoder的参数。
图增强的做法：融合了mvgrl（ppnp+subgraph） +GRACE（修改grace，A：删除一半加一半， X：直接选择p%维度来掩盖）
这个文章的 loss 项 太太太太多了，，，，，，感觉很难复现吧
1. model
online+target encoder 采用动量形式更新 target ，并停止target的梯度。不知道左边两侧的交叉两个箭头是在干嘛。。。。
———————-看到 cross-view损失才明白，这里是 对于视图1，2 都走一遍上下encoder，上面获得 H1 H2， 下面获得 Z1 Z2
文章在介绍 具体损失时候 不知道是不是 手误，还是我不理解，感觉 这个第一个Z2应该是 H2
那么模型 右边 H1， H2就是表征，Z1，Z2 就是 两个网络学到的节点嵌入。
1.1 Cross-Network Contrastive loss 两个encoder之间的hz对比
视角1嵌入和视角2表征。 视角2嵌入和视角1表征 进行对比
这里等价于 grace 就是 infonce损失，这里只不过是 每个 嵌入 z 经过 predictor 得到 表征h。 如果不是 h 都是 z，两个损失之和就等价于GRACE的损失。
这里有一处不明白，作者说只有 online encoder 才有 predictor， 那么这里的 h2∈H2 是怎么得来的？？ – 后面知道是 G2 输入到上面 online
1.2 Cross-View Contrastive loss online networ 里面的两个视角对比
这里是 两个 h 进行对比 形式上 完全和 GRACE对比一样，作者这里提了一下，和GRACE不同的地方是 获得视角的形式不同。 GRACE是对 AX干扰，而他采用了 ppnp获得了全局视野
上面这个 Linter就是 GRACE的损失，两个视图 相同节点拉近，视图1 和视图2中不同id拉远
intra和inter分子一样，都是拉近两个相同id的节点，分母是 推开 同一个视图，视图1里面的其他节点
红色—分子， 蓝色 inter的分母 绿色 intra的分母，之前的工作一般不 进行绿色（intra）的推拉，都是 不同视图 间 相同节点id 拉近，不同节点id 推远
1.3 做法
按照正常的 逻辑， 产生的两个视图就应该 各自 通过各自的 encoder 生成 H，来形成对比，类似MVGRL 视图1 和视图2. 视图2 和视图1. 就相当于这里的 cross-network的损失。。
然而，本文是 两个视图 还都送入到 online的 encoder， 因此 又进行了 inter和intra loss（cross-view），这个损失 类似于 一个共享参数的encoder 形成对比。
都可以拆开成为两个工作。 但都没什么创新。
2. 实验
图挺好看的，aaai和ijcai的色调
效果上cora citeseer的效果很好，但是 本文的 github 有留言，说是method 的acc不是 收敛后取得，而是取的 best。
感觉其实并不是 越多越好，本文就是 疯狂堆叠+占坑站得早（动量encoder）+写的高级（cross-view+network）
本文最让我 疑惑的 地方 是 siamese网络，看完了 其实我还没注意到 孪生网络的身影，专门搜了一下啊，这两个encoder叫做孪生网络，本科毕设时候看过，依稀记得是 共享权重的网络，再次百度了一下，还是共享权重，输入两个样本，输出 相似度么，，， 这里感觉 不是孪生网络吧，，，， 如果勉强要说， online encoder是 孪生网络，他接收G1，G2，后面生成 H1，H2 来对比。。。。 真是 有个表征就对比，，，，挺烂的，要不是 S. Pan 发了 GGD，挺不喜欢这个组
