論文の概要: Graph Communal Contrastive Learning

• arxiv url: http://arxiv.org/abs/2110.14863v1
• Date: Thu, 28 Oct 2021 02:57:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-30 07:17:37.292886
• Title: Graph Communal Contrastive Learning
• Title（参考訳）: グラフコミュニティコントラスト学習
• Authors: Bolian Li, Baoyu Jing and Hanghang Tong
• Abstract要約: グラフ表現学習の基本的な問題は、人間のラベル付けなしで表現を効果的に学習する方法である。 本稿では,コミュニティ分割を共同で学習し,ノード表現を学習するグラフコントラスト学習(gCooL)フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 34.85906025283825
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph representation learning is crucial for many real-world applications (e.g. social relation analysis). A fundamental problem for graph representation learning is how to effectively learn representations without human labeling, which is usually costly and time-consuming. Graph contrastive learning (GCL) addresses this problem by pulling the positive node pairs (or similar nodes) closer while pushing the negative node pairs (or dissimilar nodes) apart in the representation space. Despite the success of the existing GCL methods, they primarily sample node pairs based on the node-level proximity yet the community structures have rarely been taken into consideration. As a result, two nodes from the same community might be sampled as a negative pair. We argue that the community information should be considered to identify node pairs in the same communities, where the nodes insides are semantically similar. To address this issue, we propose a novel Graph Communal Contrastive Learning (gCooL) framework to jointly learn the community partition and learn node representations in an end-to-end fashion. Specifically, the proposed gCooL consists of two components: a Dense Community Aggregation (DeCA) algorithm for community detection and a Reweighted Self-supervised Cross-contrastive (ReSC) training scheme to utilize the community information. Additionally, the real-world graphs are complex and often consist of multiple views. In this paper, we demonstrate that the proposed gCooL can also be naturally adapted to multiplex graphs. Finally, we comprehensively evaluate the proposed gCooL on a variety of real-world graphs. The experimental results show that the gCooL outperforms the state-of-the-art methods.
• Abstract（参考訳）: グラフ表現学習は多くの実世界のアプリケーション(例えば社会的関係解析)にとって不可欠である。 グラフ表現学習の基本的な問題は、人間がラベルを付けることなく表現を効果的に学習する方法である。 グラフコントラスト学習(GCL)は、負のノードペア(または類似ノード)を表現空間内で分割しながら、正のノードペア(または類似ノード)を近づけることでこの問題に対処する。 既存のGCL手法の成功にもかかわらず、主にノードレベルの近接性に基づいてノードペアをサンプリングするが、コミュニティ構造が考慮されることはめったにない。 その結果、同じコミュニティから2つのノードが負のペアとしてサンプリングされる可能性がある。 コミュニティ情報は、内部ノードが意味的に類似している同じコミュニティ内のノードペアを識別するために考慮すべきである。 この問題に対処するために,コミュニティ分割を共同で学習し,ノード表現をエンドツーエンドで学習する新しいグラフコミュニティコントラスト学習(gCooL)フレームワークを提案する。 具体的には、コミュニティ検出のためのDense Community Aggregation(DeCA)アルゴリズムと、コミュニティ情報を利用するReweighted Self-supervised Cross-Contrastive(ReSC)トレーニングスキームの2つのコンポーネントで構成されている。 さらに、現実世界のグラフは複雑で、しばしば複数のビューで構成される。 本稿では,提案したgCooLが自然に多重グラフに適応可能であることを示す。 最後に,提案するgcoolを様々な実世界グラフ上で包括的に評価する。 実験の結果,gCooLは最先端手法よりも優れていた。

関連論文リスト

• CSGCL: Community-Strength-Enhanced Graph Contrastive Learning [13.770188320382285]
  本稿では,学習過程を通じてコミュニティの強度を維持するために,CSGCL(Community-Strength-enhanced Graph Contrastive Learning)フレームワークを提案する。 本稿では,CAV(Communal Attribute Voting)とCED(Communal Edge Dropping)の2つの新しいグラフ拡張手法を提案する。 本稿では,ノード分類,ノードクラスタリング,リンク予測という3つの下流タスクに関する広範な実験結果について報告する。
  論文  参考訳（メタデータ） (2023-05-08T12:21:24Z)
• STERLING: Synergistic Representation Learning on Bipartite Graphs [78.86064828220613]
  二部グラフ表現学習の基本的な課題は、ノードの埋め込みを抽出する方法である。 最近の二部グラフSSL法は、正ノード対と負ノード対を識別することによって埋め込みを学習する対照的な学習に基づいている。 負のノードペアを持たないノード埋め込みを学習するための新しい相乗的表現学習モデル(STERling)を提案する。
  論文  参考訳（メタデータ） (2023-01-25T03:21:42Z)
• 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)
• Uncovering the Structural Fairness in Graph Contrastive Learning [87.65091052291544]
  グラフコントラスト学習(GCL)は、ノード表現を学習するための有望な自己教師型アプローチとして登場した。 GCL法で得られた表現は,GCN法で学習した表現よりも既に公平であることを示す。 我々は、低次ノードと高次ノードに異なる戦略を適用し、GRAph contrastive learning for Degree bias (GRADE)と呼ばれるグラフ拡張手法を考案した。
  論文  参考訳（メタデータ） (2022-10-06T15:58:25Z)
• Graph Soft-Contrastive Learning via Neighborhood Ranking [19.241089079154044]
  グラフコントラスト学習(GCL)は,グラフ自己教師型学習の領域において,有望なアプローチとして登場した。 グラフソフトコントラスト学習(GSCL)という新しいパラダイムを提案する。 GSCLは地域ランキングを通じてGCLを促進するため、全く同様のペアを特定する必要がなくなる。
  論文  参考訳（メタデータ） (2022-09-28T09:52:15Z)
• Geometric Graph Representation Learning via Maximizing Rate Reduction [73.6044873825311]
  学習ノード表現は、コミュニティ検出やノード分類などのグラフ解析において、さまざまな下流タスクの恩恵を受ける。 教師なしの方法でノード表現を学習するための幾何学グラフ表現学習(G2R)を提案する。 G2R は異なるグループ内のノードを異なる部分空間にマッピングし、各部分空間はコンパクトで異なる部分空間が分散される。
  論文  参考訳（メタデータ） (2022-02-13T07:46:24Z)
• Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
  GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。 クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。 GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
  論文  参考訳（メタデータ） (2021-12-15T07:28:58Z)
• Variational Embeddings for Community Detection and Node Representation [5.197034517903854]
  コミュニティ検出とノード表現のための変分埋め込みを共同学習するためのVECoDeRと呼ばれる効率的な生成モデルを提案する。 我々は、VECoDeRが3つのタスクすべてで多くの競合ベースラインを効果的に上回るいくつかのグラフデータセットを実証します。
  論文  参考訳（メタデータ） (2021-01-11T13:36:29Z)
• Integrating Network Embedding and Community Outlier Detection via Multiclass Graph Description [15.679313861083239]
  そこで本稿では,ノード埋め込みとアウトレーヤとコミュニティ検出を統合した非教師なしグラフ埋め込み手法(DMGD)を提案する。 DMGDにより検出された外れ値の数に関する理論的境界を示す。 我々の定式化は、外れ値、コミュニティ割り当て、ノード埋め込み関数の間の興味深いミニマックスゲームに起因する。
  論文  参考訳（メタデータ） (2020-07-20T16:21:07Z)
• 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)

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。