論文の概要: Enhancing Hyperbolic Graph Embeddings via Contrastive Learning
- arxiv url: http://arxiv.org/abs/2201.08554v1
- Date: Fri, 21 Jan 2022 06:10:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-24 14:25:32.291992
- Title: Enhancing Hyperbolic Graph Embeddings via Contrastive Learning
- Title(参考訳): コントラスト学習によるハイパーボリックグラフ埋め込みの強化
- Authors: Jiahong Liu, Menglin Yang, Min Zhou, Shanshan Feng, Philippe
Fournier-Viger
- Abstract要約: 複数の双曲空間を通してノード表現を学習する新しいハイパーボリックグラフコントラスト学習(HGCL)フレームワークを提案する。
複数の実世界のデータセットに対する実験結果は、提案したHGCLの優位性を示している。
- 参考スコア(独自算出の注目度): 7.901082408569372
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, hyperbolic space has risen as a promising alternative for
semi-supervised graph representation learning. Many efforts have been made to
design hyperbolic versions of neural network operations. However, the inspiring
geometric properties of this unique geometry have not been fully explored yet.
The potency of graph models powered by the hyperbolic space is still largely
underestimated. Besides, the rich information carried by abundant unlabelled
samples is also not well utilized. Inspired by the recently active and emerging
self-supervised learning, in this study, we attempt to enhance the
representation power of hyperbolic graph models by drawing upon the advantages
of contrastive learning. More specifically, we put forward a novel Hyperbolic
Graph Contrastive Learning (HGCL) framework which learns node representations
through multiple hyperbolic spaces to implicitly capture the hierarchical
structure shared between different views. Then, we design a hyperbolic position
consistency (HPC) constraint based on hyperbolic distance and the homophily
assumption to make contrastive learning fit into hyperbolic space. Experimental
results on multiple real-world datasets demonstrate the superiority of the
proposed HGCL as it consistently outperforms competing methods by considerable
margins for the node classification task.
- Abstract(参考訳): 近年,半教師付きグラフ表現学習の代替として,双曲空間が注目されている。
ニューラルネットワーク操作の双曲型を設計するための多くの取り組みがなされている。
しかし、この特異な幾何学的性質のインスピレーションは、まだ完全には解明されていない。
双曲空間を動力とするグラフモデルの有効性はまだ過小評価されている。
また、豊富な未ラベルサンプルによる豊富な情報もあまり活用されていない。
本研究は,近年活発かつ新興な自己教師型学習に触発され,コントラスト学習の利点を生かして,双曲グラフモデルの表現力を向上しようとするものである。
具体的には、複数の双曲空間を通してノード表現を学習し、異なるビュー間で共有される階層構造を暗黙的にキャプチャする、新しい双曲グラフ比較学習(HGCL)フレームワークを提案する。
次に,双曲的距離とホモフィア仮定に基づく双曲的位置整合性(hpc)制約を設計し,コントラスト学習を双曲的空間に適合させる。
複数の実世界のデータセットに対する実験結果は、提案したHGCLがノード分類タスクのかなりのマージンで競合する手法より一貫して優れていることを示す。
関連論文リスト
- Weighted Embeddings for Low-Dimensional Graph Representation [0.13499500088995461]
グラフを重み付き空間に埋め込むことを提案し、これは双曲幾何学と密接に関連しているが数学的には単純である。
重み付き埋め込みは、より少ない次元を使いながら、異質グラフに対する最先端のユークリッド埋め込みを著しく上回ることを示す。
論文 参考訳(メタデータ) (2024-10-08T13:41:03Z) - Hyperbolic Delaunay Geometric Alignment [52.835250875177756]
双曲空間におけるデータセットの比較のための類似度スコアを提案する。
中心となる考え方は、与えられた集合をまたいだデータポイントを接続する双曲デラウネーグラフのエッジを数えることである。
人工および実生活の生物学的データに関する実証的研究を行い、HyperDGAが集合間の古典的距離の双曲バージョンより優れていることを示す。
論文 参考訳(メタデータ) (2024-04-12T17:14:58Z) - Alignment and Outer Shell Isotropy for Hyperbolic Graph Contrastive
Learning [69.6810940330906]
高品質なグラフ埋め込みを学習するための新しいコントラスト学習フレームワークを提案する。
具体的には、階層的なデータ不変情報を効果的にキャプチャするアライメントメトリックを設計する。
双曲空間において、木の性質に関連する葉と高さの均一性に対処する必要があることを示す。
論文 参考訳(メタデータ) (2023-10-27T15:31:42Z) - Hyperbolic vs Euclidean Embeddings in Few-Shot Learning: Two Sides of
the Same Coin [49.12496652756007]
この結果から, 共通の双曲半径での双曲埋め込みが達成できることが示唆された。
従来のベンチマーク結果とは対照的に、ユークリッド計量を備えた固定半径エンコーダにより、より良い性能が得られることを示す。
論文 参考訳(メタデータ) (2023-09-18T14:51:46Z) - Hyperbolic Graph Representation Learning: A Tutorial [39.25873010585029]
本チュートリアルは,このグラフ表現学習の新たな分野について,すべてのオーディエンスにアクセス可能なことを目的とした紹介を行う。
まず、グラフ表現学習といくつかの予備的および双曲幾何学について簡単な紹介を行う。
そして、それらを一般的なフレームワークに統合することで、現在の双曲グラフニューラルネットワークの技術詳細を包括的に再考する。
論文 参考訳(メタデータ) (2022-11-08T07:15:29Z) - Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。
GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。
4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
論文 参考訳(メタデータ) (2022-06-25T03:54:53Z) - Hyperbolic Graph Neural Networks: A Review of Methods and Applications [55.5502008501764]
グラフニューラルネットワークは、従来のニューラルネットワークをグラフ構造化データに一般化する。
グラフ関連学習におけるユークリッドモデルの性能は、ユークリッド幾何学の表現能力によって依然として制限されている。
近年,木のような構造を持つグラフデータ処理や,ゆるい分布の処理において,双曲空間が人気が高まっている。
論文 参考訳(メタデータ) (2022-02-28T15:08:48Z) - HyLa: Hyperbolic Laplacian Features For Graph Learning [44.33054069927441]
ハイパーボリック空間は、ツリーとグラフ構造化データの埋め込みをサポートすることができる。
グラフ学習では、双曲空間の点がディープニューラルネットワークの信号としてうまく使われている。
既存の双曲ネットワークは計算コストが高く、数値的に不安定である。
グラフ学習において双曲空間を利用するための全く異なるアプローチであるHyLaを提案する。
論文 参考訳(メタデータ) (2022-02-14T16:40:24Z) - Spatial-spectral Hyperspectral Image Classification via Multiple Random
Anchor Graphs Ensemble Learning [88.60285937702304]
本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。
まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。
次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
論文 参考訳(メタデータ) (2021-03-25T09:31:41Z)
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。