論文の概要: Deep Contrastive Learning for Multi-View Network Embedding

• arxiv url: http://arxiv.org/abs/2108.08296v1
• Date: Mon, 16 Aug 2021 06:29:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-20 14:43:47.723171
• Title: Deep Contrastive Learning for Multi-View Network Embedding
• Title（参考訳）: マルチビューネットワーク埋め込みのための深層コントラスト学習
• Authors: Mengqi Zhang, Yanqiao Zhu, Shu Wu and Liang Wang
• Abstract要約: マルチビューネットワーク埋め込みは、ネットワーク内のノードを低次元ベクトルに投影することを目的としている。 ほとんどの対照的な学習ベースの手法は、主に高品質なグラフ埋め込みに依存している。 マルチビューネットワーク埋め込み(CREME)のための新しいノード間コントラスト学習フレームワークを設計する。
• 参考スコア（独自算出の注目度）: 20.035449838566503
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-view network embedding aims at projecting nodes in the network to low-dimensional vectors, while preserving their multiple relations and attribute information. Contrastive learning-based methods have preliminarily shown promising performance in this task. However, most contrastive learning-based methods mostly rely on high-quality graph embedding and explore less on the relationships between different graph views. To deal with these deficiencies, we design a novel node-to-node Contrastive learning framework for Multi-view network Embedding (CREME), which mainly contains two contrastive objectives: Multi-view fusion InfoMax and Inter-view InfoMin. The former objective distills information from embeddings generated from different graph views, while the latter distinguishes different graph views better to capture the complementary information between them. Specifically, we first apply a view encoder to generate each graph view representation and utilize a multi-view aggregator to fuse these representations. Then, we unify the two contrastive objectives into one learning objective for training. Extensive experiments on three real-world datasets show that CREME outperforms existing methods consistently.
• Abstract（参考訳）: マルチビューネットワーク埋め込みは、ネットワーク内のノードを低次元ベクトルに投影し、複数の関係や属性情報を保存することを目的としている。 コントラスト学習に基づく手法はこの課題において有望な性能を示した。 しかし、最も対照的な学習ベースの手法は、主に高品質なグラフ埋め込みに依存し、異なるグラフビュー間の関係をあまり探さない。 これらの欠陥に対処するため、我々は、多視点ネットワーク埋め込み(CREME)のための新しいノード間コントラスト学習フレームワークを設計し、主に2つの対照的な目的であるマルチビュー融合InfoMaxとインタービューInfoMinを設計する。 前者は異なるグラフビューから生成された埋め込みから情報を抽出し、後者は異なるグラフビューを区別し、それらの間の補完的な情報をキャプチャする。 具体的には、まずビューエンコーダを適用して各グラフビュー表現を生成し、マルチビューアグリゲータを使用してこれらの表現を融合する。 そして,2つの対照目標を1つの学習目標に統合し,学習を行う。 3つの実世界のデータセットに対する大規模な実験は、CREMEが既存の手法を一貫して上回っていることを示している。

関連論文リスト

• Masked Two-channel Decoupling Framework for Incomplete Multi-view Weak Multi-label Learning [21.49630640829186]
  本稿では,不完全な多視点弱多言語学習における複雑かつ現実的な課題に焦点をあてる。 本稿では,この問題を解決するために,ディープニューラルネットワークに基づくマスク付き2チャネルデカップリングフレームワークを提案する。 我々のモデルは任意のビューやラベルの欠如に完全に適応でき、また理想的な全データでもうまく機能する。
  論文  参考訳（メタデータ） (2024-04-26T11:39:50Z)
• Visual Commonsense based Heterogeneous Graph Contrastive Learning [79.22206720896664]
  視覚的推論タスクをより良く仕上げるための異種グラフコントラスト学習法を提案する。 本手法はプラグイン・アンド・プレイ方式として設計されており,多種多様な代表手法と迅速かつ容易に組み合わせることができる。
  論文  参考訳（メタデータ） (2023-11-11T12:01:18Z)
• Hierarchical Contrastive Learning Enhanced Heterogeneous Graph Neural Network [59.860534520941485]
  ヘテロジニアスグラフニューラルネットワーク(HGNN)は、異種情報ネットワーク(HIN)を扱う能力に優れていた。 近年,自己指導型学習は最もエキサイティングな学習パラダイムの1つとなり,ラベルがない場合に大きな可能性を示す。 本稿では,自己教師型HGNNの問題点を考察し,HGNNのための新しいコントラスト学習機構であるHeCoを提案する。
  論文  参考訳（メタデータ） (2023-04-24T16:17:21Z)
• Learnable Graph Convolutional Network and Feature Fusion for Multi-view Learning [30.74535386745822]
  本稿では,Learningable Graph Convolutional Network and Feature Fusion (LGCN-FF) と呼ばれる統合ディープラーニングフレームワークを提案する。 特徴融合ネットワークと学習可能なグラフ畳み込みネットワークの2つのステージで構成されている。 提案したLGCN-FFは,多視点半教師付き分類において,様々な最先端手法よりも優れていることが検証された。
  論文  参考訳（メタデータ） (2022-11-16T19:07:12Z)
• 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)
• Group Contrastive Self-Supervised Learning on Graphs [101.45974132613293]
  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。
  論文  参考訳（メタデータ） (2021-07-20T22:09:21Z)
• Multi-Scale Contrastive Siamese Networks for Self-Supervised Graph Representation Learning [48.09362183184101]
  マルチスケールのコントラスト学習によるシームズ自己蒸留の強化により,ノード表現を学習するための新しい自己教師型アプローチを提案する。 提案手法は,新しい最先端の成果を達成し,半教師ありの成果を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-12T14:20:13Z)
• Multi-view Graph Learning by Joint Modeling of Consistency and Inconsistency [65.76554214664101]
  グラフ学習は、複数のビューから統一的で堅牢なグラフを学ぶ能力を備えた、マルチビュークラスタリングのための有望なテクニックとして登場した。 本稿では,統合目的関数における多視点一貫性と多視点不整合を同時にモデル化する,新しい多視点グラフ学習フレームワークを提案する。 12のマルチビューデータセットに対する実験は、提案手法の堅牢性と効率性を実証した。
  論文  参考訳（メタデータ） (2020-08-24T06:11:29Z)

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。