論文の概要: Graph-MVP: Multi-View Prototypical Contrastive Learning for Multiplex Graphs

• arxiv url: http://arxiv.org/abs/2109.03560v1
• Date: Wed, 8 Sep 2021 11:46:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-09 23:06:01.797395
• Title: Graph-MVP: Multi-View Prototypical Contrastive Learning for Multiplex Graphs
• Title（参考訳）: Graph-MVP:多重グラフのためのマルチビュープロトタイプコントラスト学習
• Authors: Baoyu Jing, Yuejia Xiang, Xi Chen, Yu Chen and Hanghang Tong
• Abstract要約: マルチグラフの各ビューに対するノードレベルとセマンティックレベルの両方の情報をキャプチャするグラフ型コントラスト学習(Graph-PCL)フレームワークを導入する。 次に、グラフPCLに基づくグラフMVPを導入し、多重グラフの異なるビューを共同でモデル化する。 Graph-MVPの背後にある重要な洞察は、同じノードの異なるビュー固有の埋め込みは、同じ基盤となるセマンティクスを持つべきであるということです。
• 参考スコア（独自算出の注目度）: 34.51494414543057
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Contrastive Learning (CL) is one of the most popular self-supervised learning frameworks for graph representation learning, which trains a Graph Neural Network (GNN) by discriminating positive and negative node pairs. However, there are two challenges for CL on graphs. On the one hand, traditional CL methods will unavoidably introduce semantic errors since they will treat some semantically similar nodes as negative pairs. On the other hand, most of the existing CL methods ignore the multiplexity nature of the real-world graphs, where nodes are connected by various relations and each relation represents a view of the graph. To address these challenges, we propose a novel Graph Multi-View Prototypical (Graph-MVP) framework to extract node embeddings on multiplex graphs. Firstly, we introduce a Graph Prototypical Contrastive Learning (Graph-PCL) framework to capture both node-level and semantic-level information for each view of multiplex graphs. Graph-PCL captures the node-level information by a simple yet effective data transformation technique. It captures the semantic-level information by an Expectation-Maximization (EM) algorithm, which alternatively performs clustering over node embeddings and parameter updating for GNN. Next, we introduce Graph-MVP based on Graph-PCL to jointly model different views of the multiplex graphs. Our key insight behind Graph-MVP is that different view-specific embeddings of the same node should have similar underlying semantic, based on which we propose two versions of Graph-MVP: Graph-MVP_hard and Graph-MVP_soft to align embeddings across views. Finally, we evaluate the proposed Graph-PCL and Graph-MVP on a variety of real-world datasets and downstream tasks. The experimental results demonstrate the effectiveness of the proposed Graph-PCL and Graph-MVP frameworks.
• Abstract（参考訳）: Contrastive Learning (CL)はグラフ表現学習のための最も人気のある自己教師型学習フレームワークの1つで、正と負のノード対を識別することでグラフニューラルネットワーク(GNN)を訓練する。 しかし、グラフ上のCLには2つの課題がある。 一方、従来のCLメソッドは、意味的に類似したノードを負のペアとして扱うため、意味的エラーを必然的に導入する。 一方、既存のCL法のほとんどは実世界のグラフの多重性の性質を無視しており、ノードは様々な関係で結び付けられ、それぞれの関係はグラフのビューを表す。 これらの課題に対処するために,複数グラフ上のノード埋め込みを抽出するグラフマルチビュープロトタイプ(Graph-MVP)フレームワークを提案する。 まず,多元グラフのビュー毎にノードレベルと意味レベルの両方の情報をキャプチャするgraph prototypical contrastive learning(graph-pcl)フレームワークを提案する。 Graph-PCLは、シンプルだが効果的なデータ変換技術によりノードレベルの情報をキャプチャする。 セマンティックレベルの情報を期待-最大化(EM)アルゴリズムでキャプチャし、ノードの埋め込みとGNNのパラメータ更新をクラスタリングする。 次に、グラフPCLに基づくグラフMVPを導入し、多重グラフの異なるビューを共同でモデル化する。 graph-mvpの背後にある重要な洞察は、同じノードの異なるビュー固有の埋め込みは、graph-mvpの2つのバージョン(graph-mvp_hardとgraph-mvp_soft)に基づいて、ビューをまたいで埋め込みをアライメントする。 最後に、提案したGraph-PCLとGraph-MVPを、さまざまな実世界のデータセットと下流タスクで評価する。 実験結果は,提案したGraph-PCLおよびGraph-MVPフレームワークの有効性を示す。

関連論文リスト

• Learning on Large Graphs using Intersecting Communities [13.053266613831447]
  MPNNは、各ノードの隣人からのメッセージを集約することで、入力グラフ内の各ノードの表現を反復的に更新する。 MPNNは、あまりスパースではないため、すぐに大きなグラフの禁止になるかもしれない。 本稿では,入力グラフを交差するコミュニティグラフ (ICG) として近似することを提案する。
  論文  参考訳（メタデータ） (2024-05-31T09:26:26Z)
• G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
  現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。 一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
  論文  参考訳（メタデータ） (2024-02-12T13:13:04Z)
• Saliency-Aware Regularized Graph Neural Network [39.82009838086267]
  グラフ分類のためのSAR-GNN(Saliency-Aware Regularized Graph Neural Network)を提案する。 まず,コンパクトなグラフ表現とノード特徴とのセマンティックな類似性を測定することで,グローバルノードの正当性を推定する。 そして、学習した塩分濃度分布を利用して、背骨の近傍集合を規則化する。
  論文  参考訳（メタデータ） (2024-01-01T13:44:16Z)
• Semi-Supervised Hierarchical Graph Classification [54.25165160435073]
  ノードがグラフのインスタンスである階層グラフにおけるノード分類問題について検討する。 本稿では階層グラフ相互情報(HGMI)を提案し,理論的保証をもってHGMIを計算する方法を提案する。 本稿では,この階層グラフモデリングとSEAL-CI法がテキストおよびソーシャルネットワークデータに与える影響を実証する。
  論文  参考訳（メタデータ） (2022-06-11T04:05:29Z)
• 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)
• Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
  本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。 クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
  論文  参考訳（メタデータ） (2021-09-24T08:01:23Z)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)
• Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
  グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。 標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。 総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-08T19:48:19Z)

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。