論文の概要: Maximizing Mutual Information Across Feature and Topology Views for Learning Graph Representations

• arxiv url: http://arxiv.org/abs/2105.06715v1
• Date: Fri, 14 May 2021 08:49:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-17 19:22:22.815733
• Title: Maximizing Mutual Information Across Feature and Topology Views for Learning Graph Representations
• Title（参考訳）: グラフ表現学習のための特徴ビューとトポロジビュー間の相互情報最大化
• Authors: Xiaolong Fan, Maoguo Gong, Yue Wu, Hao Li
• Abstract要約: 特徴とトポロジーの視点から相互の情報を活用することで,新たなアプローチを提案する。 提案手法は,教師なし表現と線形評価プロトコルにより,同等あるいはそれ以上の性能を達成できる。
• 参考スコア（独自算出の注目度）: 25.756202627564505
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, maximizing mutual information has emerged as a powerful method for unsupervised graph representation learning. The existing methods are typically effective to capture information from the topology view but ignore the feature view. To circumvent this issue, we propose a novel approach by exploiting mutual information maximization across feature and topology views. Specifically, we first utilize a multi-view representation learning module to better capture both local and global information content across feature and topology views on graphs. To model the information shared by the feature and topology spaces, we then develop a common representation learning module using mutual information maximization and reconstruction loss minimization. To explicitly encourage diversity between graph representations from the same view, we also introduce a disagreement regularization to enlarge the distance between representations from the same view. Experiments on synthetic and real-world datasets demonstrate the effectiveness of integrating feature and topology views. In particular, compared with the previous supervised methods, our proposed method can achieve comparable or even better performance under the unsupervised representation and linear evaluation protocol.
• Abstract（参考訳）: 近年,教師なしグラフ表現学習の強力な方法として,相互情報の最大化が出現している。 既存のメソッドは通常、トポロジービューから情報をキャプチャするが、機能ビューは無視する。 この問題を回避するために,特徴とトポロジの観点で相互情報の最大化を利用する新しい手法を提案する。 具体的には、まずマルチビュー表現学習モジュールを使用して、グラフ上の特徴ビューとトポロジビューをまたいだローカル情報とグローバル情報の両方をよりよくキャプチャする。 特徴空間と位相空間で共有される情報をモデル化するために,相互情報最大化と再構成損失最小化を用いた共通表現学習モジュールを開発する。 同じ視点からグラフ表現間の多様性を明確に促進するために、同じ視点から表現間の距離を拡大する不一致正規化を導入する。 合成および実世界のデータセットの実験は、特徴ビューとトポロジービューを統合する効果を示す。 特に,従来の教師付き手法と比較して,教師なし表現および線形評価プロトコルにおいて,提案手法は同等あるいはそれ以上の性能を達成できる。

関連論文リスト

• Learning Representations without Compositional Assumptions [79.12273403390311]
  本稿では,特徴集合をグラフノードとして表現し,それらの関係を学習可能なエッジとして表現することで,特徴集合の依存関係を学習するデータ駆動型アプローチを提案する。 また,複数のビューから情報を動的に集約するために,より小さな潜在グラフを学習する新しい階層グラフオートエンコーダLEGATOを導入する。
  論文  参考訳（メタデータ） (2023-05-31T10:36:10Z)
• Cross-view Graph Contrastive Representation Learning on Partially Aligned Multi-view Data [52.491074276133325]
  マルチビュー表現学習は、過去数十年間で急速に発展し、多くの分野に応用されてきた。 本稿では,多視点情報を統合してデータアライメントを行い,潜在表現を学習する,新しいクロスビューグラフコントラスト学習フレームワークを提案する。 複数の実データを用いて実験を行い,クラスタリングおよび分類作業における提案手法の有効性を示した。
  論文  参考訳（メタデータ） (2022-11-08T09:19:32Z)
• Towards Consistency and Complementarity: A Multiview Graph Information Bottleneck Approach [25.40829979251883]
  共有(一貫性)とビュー固有(相補性)情報をモデル化し、統合する方法は、マルチビューグラフ解析において重要な問題である。 本稿では,共通表現の合意とビュー固有表現の不一致を最大化するために,MVGIB(Multiview Variational Graph Information Bottleneck)の原理を提案する。
  論文  参考訳（メタデータ） (2022-10-11T13:51:34Z)
• Cross-View-Prediction: Exploring Contrastive Feature for Hyperspectral Image Classification [9.131465469247608]
  本稿では,ハイパースペクトル画像分類のための自己教師付き特徴学習手法を提案する。 本手法は,クロス表現学習手法を用いて,生のハイパースペクトル画像の2つの異なるビューを構築することを試みる。 そして、コントラスト学習法により、生成したビューに対して意味論的に一貫した表現を学習する。
  論文  参考訳（メタデータ） (2022-03-14T11:07:33Z)
• ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
  部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。 提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2022-03-01T02:32:25Z)
• 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)
• Self-Supervised Graph Representation Learning via Topology Transformations [61.870882736758624]
  本稿では,グラフデータのノード表現のための自己教師型学習の一般的なパラダイムであるトポロジー変換同変表現学習について述べる。 実験では,提案手法を下流ノードおよびグラフ分類タスクに適用し,提案手法が最先端の教師なし手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-05-25T06:11:03Z)
• Two-Level Adversarial Visual-Semantic Coupling for Generalized Zero-shot Learning [21.89909688056478]
  トレーニング中に推論ネットワークを用いて生成ネットワークを増強する2段階のジョイントアイデアを提案する。 これにより、ビジュアルドメインとセマンティックドメイン間の効果的な知識伝達のための強力な相互モーダル相互作用が提供される。 提案手法は,4つのベンチマークデータセットに対して,いくつかの最先端手法に対して評価し,その性能を示す。
  論文  参考訳（メタデータ） (2020-07-15T15:34:09Z)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。