JittorGeometric 图自监督学习完整指南：DGI、MVGRL、GRACE、PolyGCL 四大对比学习模型实践

JittorGeometric 是基于 Jittor 深度学习框架的图机器学习库，内置 DGI、MVGRL、GRACE、PolyGCL 等图自监督对比学习模型，帮助你在没有大量标签的图上训练出高质量节点表示。本文将带你快速上手这四个经典模型：理解它们的核心思想、运行官方示例脚本，并掌握统一评估流程，一文看懂"图对比学习该选哪个模型"。

为什么需要图自监督学习

在真实的图数据（引用网络、社交网络、生物分子）中，节点标签往往昂贵且稀缺。图自监督学习（Graph Self-Supervised Learning）的思路是：不依赖人工标注，通过自动构造"正样本对"和"负样本对"来学习节点表示，再把这个表示"冻结"起来，用一个简单的线性分类器做下游任务（即 Linear Probing）。

JittorGeometric 在 jittor_geometric/nn/models/ 目录下提供了 4 个代表性实现，覆盖了图对比学习从 2019 到 2024 年的主要技术路线：

对应的可运行示例脚本都在 examples/ 目录下：dgi_example.py、mvgrl_example.py、grace_example.py、polygcl_example.py。

快速安装与环境准备 🛠️

环境要求：Python 3.10+，Jittor 1.3.0+（可选 CUDA 11.0+）。

# 1. 创建环境 conda create -n jittorgeometric python=3.10 conda activate jittorgeometric # 2. 安装 Jittor python -m pip install git+https://github.com/Jittor/jittor.git # 3. 安装依赖 pip install -r requirements.txt # 4. 克隆并安装 JittorGeometric git clone https://gitcode.com/gh_mirrors/ji/JittorGeometric cd JittorGeometric pip install .

安装后可先进入 examples/ 目录，四个示例脚本支持相同的常用数据集：

• Planetoid：cora、citeseer、pubmed
• WikipediaNetwork：chameleon、squirrel
• GeomGCN：texas、cornell、wisconsin、actor

依赖的核心工具函数（随机划分、特征丢弃、边掩码、PPR 计算）集中在 jittor_geometric/utils/gssl_utils.py，图结构会先通过 cootocsr、cootocsc 转换为 CSR/CSC 稀疏格式以加速消息传递。

模型一：DGI —— 图信息最大化的开创者

DGI（Deep Graph Infomax）是最早的图自监督模型之一。它的结构非常简洁：

• 编码器：标准 GCN（dgi.py#L15-L51）
• 图级摘要：对所有节点表示取均值，代表"整张图"
• 判别器：判断"某节点与图摘要是否匹配"
• 负样本：把节点特征随机打乱后过一遍编码器（dgi.py#L61-L66），与图摘要构成负样本对
• 损失：BCEWithLogitsLoss

一句话理解：正样本 = 真实节点表示 × 图摘要；负样本 = 打乱特征的节点表示 × 图摘要。

运行方式（默认数据集 cora，默认 300 轮训练）：

cd examples python dgi_example.py --dataname cora

常用参数：--n-hidden 512（隐藏维度）、--n-layers 1（编码器层数）、--n-dgi-epochs 300、--seed 42。脚本会自动保存最优模型best_dgi.pkl，并加载后提取节点嵌入。

模型二：MVGRL —— 双视图 + 扩散图

MVGRL（Contrastive Multi-View Representation Learning on Graphs）引入了"多视图"思想：

• 视图 1：原始图的 GCN 编码器
• 视图 2：基于PPR（Personalized PageRank）扩散图的 GCN 编码器，捕捉更远的结构信息（见 mvgrl_example.py#L47-L87 中的compute_ppr调用）
• 判别器：双线性判别器同时判断 4 种组合（2 正 + 2 负），负样本来自打乱特征（mvgrl.py#L90-L101）
• 嵌入输出：两个视图的表示直接相加

运行方式：

python mvgrl_example.py --dataname cora --preprocess

--preprocess会启用特征预处理和扩散边稀疏化（阈值由--epsilon 0.01控制），在 Cora 上效果更好。其余参数如--epochs 500、--hid_dim 512、--patience 20（早停）与 DGI 类似。

模型三：GRACE —— 数据增强的主流范式

GRACE 代表了当前图对比学习最主流的范式：对同一张图做两次随机增强，得到两个视图，拉近视图内正样本、推远跨视图负样本。

• 两种增强：随机掩码边（mask_edge）+ 随机丢弃特征（drop_feature），实现在 grace_example.py#L44-L73
• 编码器 + 投影头：2 层 GCN 编码器后接一个 MLP 投影头（grace.py#L29-L37），只用于计算损失，评估时丢弃
• 损失：SimCLR 风格的 InfoNCE 损失，带温度系数--temp（grace.py#L66-L85）

运行方式（参数来自论文推荐配置）：

python grace_example.py --dataname cora --lr 5e-4 --wd 1e-5 \ --act_fn relu --der1 0.2 --der2 0.4 --dfr1 0.3 --dfr2 0.4 \ --temp 0.4 --patience 50

其中--der1/--der2是两个视图的丢边比例，--dfr1/--dfr2是特征丢弃比例，温度--temp越小负样本被推得越开。

模型四：PolyGCL —— 谱域可学习滤波器

PolyGCL 是最新（ICLR 2024）的方法，把对比学习从"堆叠 GCN 层"推向谱域：

• 编码器：ChebNet II，即可学习的谱多项式滤波器（polygcl.py#L179-L211），同时输出低通（平滑邻域信息）和高通（捕捉局部结构变化）两个分支
• 自适应融合：两个分支用可学习权重alpha、beta加权融合（polygcl.py#L153-L159），模型自己决定"平滑多少、锐化多少"
• 对比：双线性判别器 + 打乱特征的负样本

运行方式：

python polygcl_example.py --dataname cora --lr 0.0005 --wd 1e-3 \ --lr1 0.002 --dprate 0.3 --dropout 0.3

注意它采用双学习率：--lr用于传播层（滤波器），--lr1用于线性层和判别器；--dprate是传播层的边缘丢弃率，--K 10是多项式阶数（即消息传递的最大跳数）。

统一的评估流程：Linear Probing 📊

四个示例脚本共享同一套严谨的评估协议：

1. 训练完成后提取无监督节点嵌入（get_embedding/dgi.encoder）
2. 用 random_splits 按 6:2:2 比例做10 次随机 10-fold 划分
3. 每个划分上训练一个逻辑回归分类器（2000 轮），记录最优测试精度
4. 报告 10 次结果的均值 ± 自举置信区间（test acc mean = xx.xx ± xx.xx）

这套协议保证你横向对比 4 个模型时结果是公平可比的——只看最终打印的test acc mean即可。

如何选择：一张表帮你决策 🎯

调参小贴士：

• 小图（节点数 < 1000）可把--hid_dim降到 256，并适当调低学习率
• --patience控制早停，图对比学习建议保留 20~50
• 无 GPU 时加--gpu -1即可用 CPU 运行（脚本会自动设置jt.flags.use_cuda）

总结

JittorGeometric 把图自监督学习的四大代表模型做成了"源码 + 可运行示例 + 统一评估"的完整套件：

• DGI：图摘要对比的起点
• MVGRL：双视图 + 扩散图的经典组合
• GRACE：数据增强 + InfoNCE 的主流范式
• PolyGCL：谱域可学习滤波器的最新方案

建议路线：先用 DGI 跑通全流程（约几分钟），再用 GRACE 作为基线，最后在目标数据集上尝试 PolyGCL 冲击更高精度。所有示例都支持cora、citeseer、pubmed、chameleon、squirrel、texas、cornell、wisconsin、actor共 9 个数据集，替换--dataname参数即可横向对比。