論文の概要: Collaborative Graph Contrastive Learning: Data Augmentation Composition
May Not be Necessary for Graph Representation Learning
- arxiv url: http://arxiv.org/abs/2111.03262v1
- Date: Fri, 5 Nov 2021 05:08:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-08 14:18:21.673529
- Title: Collaborative Graph Contrastive Learning: Data Augmentation Composition
May Not be Necessary for Graph Representation Learning
- Title(参考訳): コラボレーティブグラフコントラスト学習: グラフ表現学習にデータ拡張合成は必要ないかもしれない
- Authors: Yuxiang Ren and Jiawei Zhang
- Abstract要約: 教師なしグラフ表現学習はグラフデータの非自明なトピックである。
我々は新しい協調グラフニューラルネットワークコントラッシブラーニングフレームワーク(CGCL)を提案する。
CGCLはグラフレベルとノードレベルの表現学習の両方を扱うことができる。
- 参考スコア(独自算出の注目度): 13.015538055183148
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised graph representation learning is a non-trivial topic for graph
data. The success of contrastive learning and self-supervised learning in the
unsupervised representation learning of structured data inspires similar
attempts on the graph. The current unsupervised graph representation learning
and pre-training using the contrastive loss are mainly based on the contrast
between handcrafted augmented graph data. However, the graph data augmentation
is still not well-explored due to the unpredictable invariance. In this paper,
we propose a novel collaborative graph neural networks contrastive learning
framework (CGCL), which uses multiple graph encoders to observe the graph.
Features observed from different views act as the graph augmentation for
contrastive learning between graph encoders, avoiding any perturbation to
guarantee the invariance. CGCL is capable of handling both graph-level and
node-level representation learning. Extensive experiments demonstrate the
advantages of CGCL in unsupervised graph representation learning and the
non-necessity of handcrafted data augmentation composition for graph
representation learning.
- Abstract(参考訳): 教師なしグラフ表現学習はグラフデータの非自明なトピックである。
構造化データの教師なし表現学習における対比学習と自己教師あり学習の成功は、グラフにおける同様の試みを刺激する。
現在の教師なしグラフ表現学習とコントラスト損失を用いた事前学習は主に手作り拡張グラフデータ間のコントラストに基づいて行われる。
しかし、グラフデータの拡張は予測不能な不変性のため、まだ十分に検討されていない。
本稿では,複数のグラフエンコーダを用いてグラフを観測する,新しい協調グラフニューラルネットワークコントラスト学習フレームワーク(CGCL)を提案する。
異なるビューから観察される特徴は、グラフエンコーダ間の対比学習のためのグラフ拡張として働き、不変性を保証するために摂動を避けている。
CGCLはグラフレベルとノードレベルの表現学習の両方を扱うことができる。
非教師付きグラフ表現学習におけるCGCLの利点と、グラフ表現学習のための手作りデータ拡張合成の非必要性を実証した。
関連論文リスト
- A Topology-aware Graph Coarsening Framework for Continual Graph Learning [8.136809136959302]
グラフに関する継続的な学習は、グラフデータがストリーミング形式で到着するグラフニューラルネットワーク(GNN)のトレーニングに対処する。
Experience Replayのような従来の継続的学習戦略は、ストリーミンググラフに適応することができる。
本稿では, TA$mathbbCO$, a (t)opology-(a)ware graph (co)arsening and (co)ntinual learning frameworkを提案する。
論文 参考訳(メタデータ) (2024-01-05T22:22:13Z) - 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) - Signed Directed Graph Contrastive Learning with Laplacian Augmentation [1.3535770763481905]
グラフの対比学習は、いくつかのグラフマイニングタスクにおいて強力なテクニックとなっている。
本稿では,新しい署名指向グラフコントラスト学習,SDGCLを提案する。
2つの異なる構造的摂動グラフビューを作成し、磁気ラプラシア摂動を通してノード表現を得る。
論文 参考訳(メタデータ) (2023-01-12T17:32:19Z) - Adversarial Graph Contrastive Learning with Information Regularization [51.14695794459399]
コントラスト学習はグラフ表現学習において有効な方法である。
グラフ上のデータ拡張は、はるかに直感的ではなく、高品質のコントラスト的なサンプルを提供するのがずっと難しい。
逆グラフ比較学習(Adversarial Graph Contrastive Learning, ARIEL)を提案する。
さまざまな実世界のデータセット上でのノード分類タスクにおいて、現在のグラフのコントラスト学習方法よりも一貫して優れています。
論文 参考訳(メタデータ) (2022-02-14T05:54:48Z) - Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。
本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
論文 参考訳(メタデータ) (2022-02-07T08:04:59Z) - Dual Space Graph Contrastive Learning [82.81372024482202]
本研究では,新しいグラフコントラスト学習手法,すなわち textbfDual textbfSpace textbfGraph textbfContrastive (DSGC) Learningを提案する。
両空間にはグラフデータを埋め込み空間に表現する独自の利点があるので、グラフコントラスト学習を用いて空間をブリッジし、双方の利点を活用することを期待する。
論文 参考訳(メタデータ) (2022-01-19T04:10:29Z) - 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) - Graph Contrastive Learning with Augmentations [109.23158429991298]
グラフデータの教師なし表現を学習するためのグラフコントラスト学習(GraphCL)フレームワークを提案する。
我々のフレームワークは、最先端の手法と比較して、類似またはより良い一般化可能性、転送可能性、堅牢性のグラフ表現を作成できることを示す。
論文 参考訳(メタデータ) (2020-10-22T20:13:43Z) - Unsupervised Graph Embedding via Adaptive Graph Learning [85.28555417981063]
グラフオートエンコーダ(GAE)は、グラフ埋め込みのための表現学習において強力なツールである。
本稿では,2つの新しい教師なしグラフ埋め込み法,適応グラフ学習(BAGE)による教師なしグラフ埋め込み,変分適応グラフ学習(VBAGE)による教師なしグラフ埋め込みを提案する。
いくつかのデータセットに関する実験的研究により、我々の手法がノードクラスタリング、ノード分類、グラフ可視化タスクにおいて、ベースラインよりも優れていることが実証された。
論文 参考訳(メタデータ) (2020-03-10T02:33:14Z)
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。