論文の概要: GraphCoCo: Graph Complementary Contrastive Learning
- arxiv url: http://arxiv.org/abs/2203.12821v1
- Date: Thu, 24 Mar 2022 02:58:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-25 13:00:36.365400
- Title: GraphCoCo: Graph Complementary Contrastive Learning
- Title（参考訳）: graphcoco:グラフ補完的コントラスト学習
- Authors: Jiawei Sun, Junchi Yan, Chentao Wu, Yue Ding, Ruoxin Chen, Xiang Yu,
Xinyu Lu, Jie Li
- Abstract要約: グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。
本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
- 参考スコア（独自算出の注目度）: 65.89743197355722
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph Contrastive Learning (GCL) has shown promising performance in graph
representation learning (GRL) without the supervision of manual annotations.
GCL can generate graph-level embeddings by maximizing the Mutual Information
(MI) between different augmented views of the same graph (positive pairs).
However, we identify an obstacle that the optimization of InfoNCE loss only
concentrates on a few embeddings dimensions, limiting the distinguishability of
embeddings in downstream graph classification tasks. This paper proposes an
effective graph complementary contrastive learning approach named GraphCoCo to
tackle the above issue. Specifically, we set the embedding of the first
augmented view as the anchor embedding to localize "highlighted" dimensions
(i.e., the dimensions contribute most in similarity measurement). Then remove
these dimensions in the embeddings of the second augmented view to discover
neglected complementary representations. Therefore, the combination of anchor
and complementary embeddings significantly improves the performance in
downstream tasks. Comprehensive experiments on various benchmark datasets are
conducted to demonstrate the effectiveness of GraphCoCo, and the results show
that our model outperforms the state-of-the-art methods. Source code will be
made publicly available.
- Abstract（参考訳）: グラフコントラスト学習(GCL)は、手動アノテーションの監督なしにグラフ表現学習(GRL)において有望な性能を示した。
GCLは、同じグラフ(陽性ペア)の異なる拡張ビュー間の相互情報(MI)を最大化することにより、グラフレベルの埋め込みを生成することができる。
しかし,情報損失の最適化はいくつかの埋め込み次元のみに集中し,下流のグラフ分類タスクにおける埋め込みの識別性を制限している。
本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
具体的には、最初の拡張ビューの埋め込みを「高輝度」次元を局所化するアンカーとして設定する(すなわち、次元は類似度測定に最も寄与する)。
次に、これら次元を第2の拡張ビューの埋め込みから取り除き、無視された相補表現を発見する。
従って、アンカーと補完的な組込みの組み合わせは、下流タスクのパフォーマンスを大幅に改善する。
graphcocoの有効性を実証するために,様々なベンチマークデータセットに関する総合実験を行い,本モデルが最先端手法を上回ることを示した。
ソースコードは公開される予定だ。
関連論文リスト
- Amplify Graph Learning for Recommendation via Sparsity Completion [16.32861024767423]
グラフ学習モデルは、協調フィルタリング(CF)ベースのレコメンデーションシステムに広くデプロイされている。
データ疎度の問題により、元の入力のグラフ構造は潜在的な肯定的な嗜好エッジを欠いている。
AGL-SC(Amplify Graph Learning framework)を提案する。
論文 参考訳（メタデータ） (2024-06-27T08:26:20Z) - Two Trades is not Baffled: Condensing Graph via Crafting Rational Gradient Matching [50.30124426442228]
大規模グラフの学習はグラフ表現学習において顕著な成果を上げてきたが、そのコストと記憶力の増大が懸念されている。
そこで我々は,textbfCraftextbfTing textbfRationatextbf (textbfCTRL) という新しいグラフ手法を提案する。
論文 参考訳（メタデータ） (2024-02-07T14:49:10Z) - Subgraph Networks Based Contrastive Learning [5.736011243152416]
グラフコントラスト学習(GCL)は、注釈付きデータ不足の問題を解決する。
既存のGCL手法の多くは、グラフ拡張戦略や相互情報推定操作の設計に重点を置いている。
サブグラフネットワークに基づくコントラスト学習(SGNCL)という新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-06T08:52:44Z) - 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) - Graph Contrastive Learning with Implicit Augmentations [36.57536688367965]
Inlicit Graph Contrastive Learning (iGCL)は、グラフトポロジ構造を再構築することにより、変分グラフオートエンコーダから学習した潜時空間の増大を利用する。
グラフレベルとノードレベルの両方のタスクに対する実験結果から,提案手法が最先端の性能を実現することを示す。
論文 参考訳（メタデータ） (2022-11-07T17:34:07Z) - Towards Graph Self-Supervised Learning with Contrastive Adjusted Zooming [48.99614465020678]
本稿では,グラフコントラスト適応ズームによる自己教師付きグラフ表現学習アルゴリズムを提案する。
このメカニズムにより、G-Zoomはグラフから複数のスケールから自己超越信号を探索して抽出することができる。
我々は,実世界のデータセットに関する広範な実験を行い,提案したモデルが常に最先端の手法より優れていることを示す。
論文 参考訳（メタデータ） (2021-11-20T22:45:53Z) - Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。
本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。
提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
論文 参考訳（メタデータ） (2021-08-15T13:14:28Z) - Diversified Multiscale Graph Learning with Graph Self-Correction [55.43696999424127]
2つのコア成分を組み込んだ多次元グラフ学習モデルを提案します。
情報埋め込みグラフを生成するグラフ自己補正(GSC)機構、および入力グラフの包括的な特性評価を達成するために多様性ブースト正規化(DBR)。
一般的なグラフ分類ベンチマークの実験は、提案されたGSCメカニズムが最先端のグラフプーリング方法よりも大幅に改善されることを示しています。
論文 参考訳（メタデータ） (2021-03-17T16:22:24Z)
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。