論文の概要: Supervised Contrastive Learning with Structure Inference for Graph Classification

• arxiv url: http://arxiv.org/abs/2203.07691v1
• Date: Tue, 15 Mar 2022 07:18:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-16 15:46:07.692811
• Title: Supervised Contrastive Learning with Structure Inference for Graph Classification
• Title（参考訳）: グラフ分類のための構造推論を用いた教師付きコントラスト学習
• Authors: Hao Jia, Junzhong Ji, and Minglong Lei
• Abstract要約: グラフ分類のための教師付きコントラスト学習と構造推論に基づくグラフニューラルネットワークを提案する。 ラベル情報の統合により、1-vs-manyのコントラスト学習を多-vs-many設定に拡張することができる。 実験の結果,最近の最先端手法と比較して提案手法の有効性が示された。
• 参考スコア（独自算出の注目度）: 5.276232626689567
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advanced graph neural networks have shown great potentials in graph classification tasks recently. Different from node classification where node embeddings aggregated from local neighbors can be directly used to learn node labels, graph classification requires a hierarchical accumulation of different levels of topological information to generate discriminative graph embeddings. Still, how to fully explore graph structures and formulate an effective graph classification pipeline remains rudimentary. In this paper, we propose a novel graph neural network based on supervised contrastive learning with structure inference for graph classification. First, we propose a data-driven graph augmentation strategy that can discover additional connections to enhance the existing edge set. Concretely, we resort to a structure inference stage based on diffusion cascades to recover possible connections with high node similarities. Second, to improve the contrastive power of graph neural networks, we propose to use a supervised contrastive loss for graph classification. With the integration of label information, the one-vs-many contrastive learning can be extended to a many-vs-many setting, so that the graph-level embeddings with higher topological similarities will be pulled closer. The supervised contrastive loss and structure inference can be naturally incorporated within the hierarchical graph neural networks where the topological patterns can be fully explored to produce discriminative graph embeddings. Experiment results show the effectiveness of the proposed method compared with recent state-of-the-art methods.
• Abstract（参考訳）: 高度なグラフニューラルネットワークは近年,グラフ分類タスクにおいて大きな可能性を示している。 ノードの分類とは異なり、ノードの埋め込みはノードのラベルを学習するために直接使用できるが、グラフの分類は、識別グラフの埋め込みを生成するために異なるトポロジー情報の階層的な蓄積を必要とする。 それでも、グラフ構造を完全に探求し、効果的なグラフ分類パイプラインを定式化する方法は、まだ初歩的である。 本稿では,教師付きコントラスト学習に基づくグラフ分類のための構造推論に基づく新しいグラフニューラルネットワークを提案する。 まず、既存のエッジセットを強化する追加接続を発見できるデータ駆動グラフ拡張戦略を提案する。 具体的には,拡散カスケードに基づく構造推定ステージを用いて,ノード類似度の高い接続を復元する。 次に,グラフニューラルネットワークのコントラストパワーを向上させるために,教師付きコントラスト損失を用いたグラフ分類を提案する。 ラベル情報の統合により、1-vs-manyのコントラスト学習が多-vs-many設定に拡張され、トポロジ的類似性の高いグラフレベルの埋め込みがより深く引き出される。 教師付きコントラスト損失と構造推論は、トポロジカルパターンを十分に探索して識別グラフ埋め込みを生成する階層型グラフニューラルネットワークに自然に組み込むことができる。 実験の結果,最近の最先端手法と比較して提案手法の有効性が示された。

関連論文リスト

• Contrastive Learning for Non-Local Graphs with Multi-Resolution Structural Views [1.4445779250002606]
  本稿では,グラフ上の拡散フィルタを統合する新しい多視点コントラスト学習手法を提案する。 複数のグラフビューを拡張として組み込むことで、異種グラフの構造的等価性を捉える。
  論文  参考訳（メタデータ） (2023-08-19T17:42:02Z)
• 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)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• Contrastive and Generative Graph Convolutional Networks for Graph-based Semi-Supervised Learning [64.98816284854067]
  グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。 本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-15T13:59:28Z)
• Representation Learning of Graphs Using Graph Convolutional Multilayer Networks Based on Motifs [17.823543937167848]
  mGCMNはノードの特徴情報とグラフの高階局所構造を利用する新しいフレームワークである。 グラフニューラルネットワークの学習効率を大幅に改善し、新たな学習モードの確立を促進する。
  論文  参考訳（メタデータ） (2020-07-31T04:18:20Z)
• Robust Hierarchical Graph Classification with Subgraph Attention [18.7475578342125]
  本稿では,グラフに対するサブグラフアテンションの概念を紹介する。 本稿では,SubGattPoolというグラフ分類アルゴリズムを提案する。 SubGattPoolは、最先端のグラフ分類データセットを改善することができるか、あるいは、複数の公開グラフ分類データセットで競争力を維持することができることを示す。
  論文  参考訳（メタデータ） (2020-07-19T10:03:06Z)
• 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)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Unsupervised Hierarchical Graph Representation Learning by Mutual Information Maximization [8.14036521415919]
  教師なしグラフ表現学習法,Unsupervised Hierarchical Graph Representation (UHGR)を提案する。 本手法は,「ローカル」表現と「グローバル」表現の相互情報の最大化に焦点をあてる。 その結果,提案手法は,いくつかのベンチマークにおいて,最先端の教師付き手法に匹敵する結果が得られることがわかった。
  論文  参考訳（メタデータ） (2020-03-18T18:21:48Z)

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。