摘要
图神经网络在节点分类任务中常常存在度偏问题，即不同度数的节点在预测性能上存在差异。为缓解这一问题，人们提出了多种基于图对比学习的方法。然而，GCL中正样本数量有限，且所有正负样本被赋予同等权重，这导致低度数节点获得的信息不足且易受干扰。本文提出了一种名为“难度自适应重加权”（HAR）的对比损失函数，通过利用节点标签增加正样本数量，并根据学习难度自适应调整正负样本的权重。此外，我们还开发了一个名为SHARP的实验框架，将HAR应用到更广泛的场景中。无论是理论分析还是实验结果都证明了SHARP的有效性。在四个数据集上，SHARP在16种测试场景中的14种中表现优于基准方法，在GCN和GAT架构下，Cora数据集的整体准确率分别提升了3.6%和4.2%；而在节点度数层面，它使最低度数节点的准确率提升了10%以上，从而证明这些改进主要惠及受度偏影响最严重的低度数节点。
