論文の概要: Group Contrastive Self-Supervised Learning on Graphs
- arxiv url: http://arxiv.org/abs/2107.09787v1
- Date: Tue, 20 Jul 2021 22:09:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-22 14:11:26.435739
- Title: Group Contrastive Self-Supervised Learning on Graphs
- Title（参考訳）: グラフを用いたグループコントラスト型自己監督学習
- Authors: Xinyi Xu, Cheng Deng, Yaochen Xie, Shuiwang Ji
- Abstract要約: グラフ上での自己教師型学習をコントラッシブ手法を用いて研究する。
複数の部分空間におけるグラフの対比により、グラフエンコーダはより豊富な特徴を捉えることができる。
- 参考スコア（独自算出の注目度）: 101.45974132613293
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We study self-supervised learning on graphs using contrastive methods. A
general scheme of prior methods is to optimize two-view representations of
input graphs. In many studies, a single graph-level representation is computed
as one of the contrastive objectives, capturing limited characteristics of
graphs. We argue that contrasting graphs in multiple subspaces enables graph
encoders to capture more abundant characteristics. To this end, we propose a
group contrastive learning framework in this work. Our framework embeds the
given graph into multiple subspaces, of which each representation is prompted
to encode specific characteristics of graphs. To learn diverse and informative
representations, we develop principled objectives that enable us to capture the
relations among both intra-space and inter-space representations in groups.
Under the proposed framework, we further develop an attention-based representor
function to compute representations that capture different substructures of a
given graph. Built upon our framework, we extend two current methods into
GroupCL and GroupIG, equipped with the proposed objective. Comprehensive
experimental results show our framework achieves a promising boost in
performance on a variety of datasets. In addition, our qualitative results show
that features generated from our representor successfully capture various
specific characteristics of graphs.
- Abstract（参考訳）: グラフ上での自己教師型学習をコントラッシブ手法を用いて研究する。
先行手法の一般的なスキームは、入力グラフの2ビュー表現を最適化することである。
多くの研究において、単一のグラフレベル表現は対照的な目的の1つとして計算され、グラフの限られた特性を捉えている。
複数の部分空間におけるグラフの対比により、グラフエンコーダはより豊富な特徴を捉えることができる。
この目的のために,本研究におけるグループコントラスト学習フレームワークを提案する。
我々のフレームワークは与えられたグラフを複数の部分空間に埋め込み、各表現はグラフの特定の特徴をエンコードするように促される。
多様な情報表現を学習するために,グループ内の空間内表現と空間間表現の関係を捉えるための原則的目的を開発する。
提案するフレームワークでは,あるグラフの異なる部分構造をキャプチャする表現を演算するアテンションベースの表現関数をさらに発展させる。
当社のフレームワークを基盤として,提案する2つのメソッドをgroupclとgroupigに拡張した。
総合的な実験結果から,このフレームワークは様々なデータセットのパフォーマンス向上を期待できることがわかった。
さらに, 定性的な結果から, 表現子から生成された特徴が, グラフの様々な特性を捉えることに成功した。
関連論文リスト
- Entropy Neural Estimation for Graph Contrastive Learning [9.032721248598088]
グラフ上のコントラスト学習は、ノードの区別可能な高レベル表現を抽出することを目的としている。
本稿では,データセットのビュー間のペアワイズ表現を対比する,単純かつ効果的なサブセットサンプリング戦略を提案する。
7つのグラフベンチマークで広範な実験を行い、提案手法は競合性能を実現する。
論文 参考訳（メタデータ） (2023-07-26T03:55:08Z) - Semantic Random Walk for Graph Representation Learning in Attributed
Graphs [2.318473106845779]
本稿では,2つの異種ソースの結合最適化を高次近接ベースフレームワークに定式化するための新しい意味グラフ表現(SGR)法を提案する。
高次トポロジ確率を考慮した従来の埋め込み法は、新しく構築されたグラフに容易に適用でき、ノードと属性の両方の表現を学習することができる。
学習された属性の埋め込みは、セマンティック指向の推論タスクを効果的にサポートし、グラフの深いセマンティックを明らかにするのに役立つ。
論文 参考訳（メタデータ） (2023-05-11T02:35:16Z) - Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。
近年の研究では、グラフ表現学習における事前学習の有用性が示されている。
本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
論文 参考訳（メタデータ） (2023-02-06T16:26:29Z) - CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph
Similarity Learning [65.1042892570989]
自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。
我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。
我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
論文 参考訳（メタデータ） (2022-05-30T13:20:26Z) - 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) - InfoGCL: Information-Aware Graph Contrastive Learning [26.683911257080304]
コントラスト学習過程において,グラフ情報がどのように変換され,伝達されるかを検討する。
本稿では,InfoGCL と呼ばれる情報認識型グラフコントラスト学習フレームワークを提案する。
我々は,最近のグラフコントラスト学習手法をフレームワークによって統一できることを初めて示す。
論文 参考訳（メタデータ） (2021-10-28T21:10:39Z) - 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) - Multi-Level Graph Contrastive Learning [38.022118893733804]
本稿では,グラフの空間ビューを対比することで,グラフデータの堅牢な表現を学習するためのマルチレベルグラフコントラスト学習(MLGCL)フレームワークを提案する。
元のグラフは1次近似構造であり、不確実性や誤りを含むが、符号化機能によって生成された$k$NNグラフは高次近接性を保持する。
MLGCLは、7つのデータセット上の既存の最先端グラフ表現学習法と比較して有望な結果が得られることを示す。
論文 参考訳（メタデータ） (2021-07-06T14:24:43Z) - 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) - Graph Representation Learning by Ensemble Aggregating Subgraphs via
Mutual Information Maximization [5.419711903307341]
グラフニューラルネットワークが学習するグラフレベルの表現を高めるための自己監視型学習法を提案する。
グラフ構造を網羅的に理解するために,サブグラフ法のようなアンサンブル学習を提案する。
また, 効率的かつ効果的な対位学習を実現するために, ヘッドテールコントラストサンプル構築法を提案する。
論文 参考訳（メタデータ） (2021-03-24T12:06:12Z)
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。