論文の概要: Graph Contrastive Learning with Adaptive Augmentation
- arxiv url: http://arxiv.org/abs/2010.14945v3
- Date: Fri, 26 Feb 2021 15:12:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 12:31:58.958744
- Title: Graph Contrastive Learning with Adaptive Augmentation
- Title（参考訳）: Adaptive Augmentation を用いたグラフコントラスト学習
- Authors: Yanqiao Zhu and Yichen Xu and Feng Yu and Qiang Liu and Shu Wu and
Liang Wang
- Abstract要約: 本稿では,適応的拡張を用いた新しいグラフコントラスト表現学習法を提案する。
具体的には,ノードの集中度に基づく拡張スキームを設計し,重要な結合構造を明らかにする。
提案手法は,既存の最先端のベースラインを一貫して上回り,教師付きベースラインを超えている。
- 参考スコア（独自算出の注目度）: 23.37786673825192
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, contrastive learning (CL) has emerged as a successful method for
unsupervised graph representation learning. Most graph CL methods first perform
stochastic augmentation on the input graph to obtain two graph views and
maximize the agreement of representations in the two views. Despite the
prosperous development of graph CL methods, the design of graph augmentation
schemes -- a crucial component in CL -- remains rarely explored. We argue that
the data augmentation schemes should preserve intrinsic structures and
attributes of graphs, which will force the model to learn representations that
are insensitive to perturbation on unimportant nodes and edges. However, most
existing methods adopt uniform data augmentation schemes, like uniformly
dropping edges and uniformly shuffling features, leading to suboptimal
performance. In this paper, we propose a novel graph contrastive representation
learning method with adaptive augmentation that incorporates various priors for
topological and semantic aspects of the graph. Specifically, on the topology
level, we design augmentation schemes based on node centrality measures to
highlight important connective structures. On the node attribute level, we
corrupt node features by adding more noise to unimportant node features, to
enforce the model to recognize underlying semantic information. We perform
extensive experiments of node classification on a variety of real-world
datasets. Experimental results demonstrate that our proposed method
consistently outperforms existing state-of-the-art baselines and even surpasses
some supervised counterparts, which validates the effectiveness of the proposed
contrastive framework with adaptive augmentation.
- Abstract（参考訳）: 近年,教師なしグラフ表現学習の手法としてコントラスト学習(CL)が登場している。
ほとんどのグラフ cl 法は、まず入力グラフ上で確率的な拡張を行い、2つのグラフビューを取得し、2つのビューにおける表現の一致を最大化する。
グラフCL法の発達にもかかわらず、グラフ拡張スキーム(CLの重要な構成要素である)の設計はほとんど研究されていない。
データ拡張スキームはグラフの固有構造と属性を保存すべきであり、これはモデルに重要でないノードやエッジの摂動に影響を受けない表現を学習させる。
しかし、既存のほとんどの手法では、エッジを均一に落とし、一様にシャッフルするといった均一なデータ拡張スキームを採用しており、亜最適性能をもたらす。
本稿では,グラフのトポロジ的およびセマンティックな側面に対する様々な先行概念を組み込んだ適応拡張型グラフコントラスト表現学習法を提案する。
特に、トポロジーレベルでは、重要な連結構造を強調するために、ノード集中度尺度に基づく拡張スキームを設計する。
ノード属性レベルでは、重要でないノード特徴により多くのノイズを加えることでノード特徴を破損させ、基盤となるセマンティック情報を認識するためにモデルを強制する。
我々は,様々な実世界のデータセットのノード分類実験を行った。
実験結果は,提案手法が既存の最先端ベースラインを一貫して上回っており,教師付きベースラインを上回っており,提案手法の有効性と適応強化効果を検証できることを示した。
関連論文リスト
- Self-Supervised Conditional Distribution Learning on Graphs [15.730933577970687]
本稿では,従来の特徴に対して,弱い特徴と強く拡張された特徴の条件分布を整列するエンドツーエンドグラフ表現学習モデルを提案する。
このアライメントは、グラフ構造化データ拡張による本質的な意味情報の破壊のリスクを効果的に低減する。
論文 参考訳（メタデータ） (2024-11-20T07:26:36Z) - Amplify Graph Learning for Recommendation via Sparsity Completion [16.32861024767423]
グラフ学習モデルは、協調フィルタリング(CF)ベースのレコメンデーションシステムに広くデプロイされている。
データ疎度の問題により、元の入力のグラフ構造は潜在的な肯定的な嗜好エッジを欠いている。
AGL-SC(Amplify Graph Learning framework)を提案する。
論文 参考訳（メタデータ） (2024-06-27T08:26:20Z) - Isomorphic-Consistent Variational Graph Auto-Encoders for Multi-Level
Graph Representation Learning [9.039193854524763]
本稿では,タスク非依存グラフ表現学習のためのアイソモルフィック-一貫性VGAE(IsoC-VGAE)を提案する。
まず、同型整合性を維持する理論的保証を提供するための復号法を考案する。
次に,逆グラフニューラルネットワーク(Inv-GNN)デコーダを直感的な実現法として提案する。
論文 参考訳（メタデータ） (2023-12-09T10:16:53Z) - Mitigating Semantic Confusion from Hostile Neighborhood for Graph Active
Learning [38.5372139056485]
Graph Active Learning(GAL)は、グラフニューラルネットワーク(GNN)のパフォーマンスを最大化するためのアノテーションのための、グラフで最も情報に富むノードを見つけることを目的としている。
Gal戦略は、特にグラフがノイズの多い場合、選択したトレーニングセットに意味的な混乱をもたらす可能性がある。
本稿では,意味的混乱を緩和するために,グラフのためのセマンティック・アウェア・アクティブ・ラーニング・フレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-17T07:06:54Z) - Localized Contrastive Learning on Graphs [110.54606263711385]
局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。
その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
論文 参考訳（メタデータ） (2022-12-08T23:36:00Z) - Graph Contrastive Learning with Implicit Augmentations [36.57536688367965]
Inlicit Graph Contrastive Learning (iGCL)は、グラフトポロジ構造を再構築することにより、変分グラフオートエンコーダから学習した潜時空間の増大を利用する。
グラフレベルとノードレベルの両方のタスクに対する実験結果から,提案手法が最先端の性能を実現することを示す。
論文 参考訳（メタデータ） (2022-11-07T17:34:07Z) - GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。
本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2022-03-24T02:58:36Z) - Towards Graph Self-Supervised Learning with Contrastive Adjusted Zooming [48.99614465020678]
本稿では,グラフコントラスト適応ズームによる自己教師付きグラフ表現学習アルゴリズムを提案する。
このメカニズムにより、G-Zoomはグラフから複数のスケールから自己超越信号を探索して抽出することができる。
我々は,実世界のデータセットに関する広範な実験を行い,提案したモデルが常に最先端の手法より優れていることを示す。
論文 参考訳（メタデータ） (2021-11-20T22:45:53Z) - Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。
本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。
提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
論文 参考訳（メタデータ） (2021-08-15T13:14:28Z) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳（メタデータ） (2021-05-22T07:05:48Z) - Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。
FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
論文 参考訳（メタデータ） (2020-10-19T21:51:47Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。