論文の概要: RoSA: A Robust Self-Aligned Framework for Node-Node Graph Contrastive Learning

• arxiv url: http://arxiv.org/abs/2204.13846v1
• Date: Fri, 29 Apr 2022 01:51:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-02 14:34:53.086356
• Title: RoSA: A Robust Self-Aligned Framework for Node-Node Graph Contrastive Learning
• Title（参考訳）: RoSA:Node-Nodeグラフコントラスト学習のためのロバストな自己調整フレームワーク
• Authors: Yun Zhu, Jianhao Guo, Fei Wu, Siliang Tang
• Abstract要約: 本稿では,RoSA という新しいグラフコントラスト学習手法を提案する。 第一に、地球移動子の距離を利用して、一方の視点の分布を他方の視点へ変換する最小の努力を、我々の対照的な目的としてモデル化する。 次に,サンプルの多様性を高め,モデルの堅牢性を高めるための補助的手法として,対人訓練を導入する。
• 参考スコア（独自算出の注目度）: 26.056309064363674
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph contrastive learning has gained significant progress recently. However, existing works have rarely explored non-aligned node-node contrasting. In this paper, we propose a novel graph contrastive learning method named RoSA that focuses on utilizing non-aligned augmented views for node-level representation learning. First, we leverage the earth mover's distance to model the minimum effort to transform the distribution of one view to the other as our contrastive objective, which does not require alignment between views. Then we introduce adversarial training as an auxiliary method to increase sampling diversity and enhance the robustness of our model. Experimental results show that RoSA outperforms a series of graph contrastive learning frameworks on homophilous, non-homophilous and dynamic graphs, which validates the effectiveness of our work. To the best of our awareness, RoSA is the first work focuses on the non-aligned node-node graph contrastive learning problem. Our codes are available at: \href{https://github.com/ZhuYun97/RoSA}{\texttt{https://github.com/ZhuYun97/RoSA}}
• Abstract（参考訳）: グラフコントラスト学習は近年大きく進歩している。 しかし、既存の作品は、非アライメントノード-ノードのコントラストを検討することは滅多にない。 本稿では,ノードレベル表現学習における非整合拡張ビューの利用に着目した,新しいグラフコントラスト学習手法rosaを提案する。 まず、地球移動者の距離を利用して、ビュー間のアライメントを必要としない対照的な目的として、一方のビューの分布を他方に変換する最小の努力をモデル化する。 次に,サンプルの多様性を高め,モデルの堅牢性を高めるための補助的手法として,対人訓練を導入する。 実験結果から,RoSAは相同性,非相同性,動的グラフ上で,一連のグラフ比較学習フレームワークより優れており,作業の有効性が検証された。 我々の知る限りでは、RoSAは非整列ノードグラフの対照的な学習問題に焦点を当てた最初の研究である。 我々のコードは以下の通りである。 \href{https://github.com/ZhuYun97/RoSA}{\textt{https://github.com/ZhuYun97/RoSA}}

関連論文リスト

• Graph Contrastive Learning Meets Graph Meta Learning: A Unified Method for Few-shot Node Tasks [68.60884768323739]
  Contrastive Few-Shot Node Classification (COLA)を紹介する。 COLAはグラフ拡張を使用して意味的に類似したノードを識別し、ラベル情報を必要としないメタタスクの構築を可能にする。 広範な実験を通じて、我々は設計における各コンポーネントの本質を検証し、COLAが全てのタスクにおいて新しい最先端を達成することを実証する。
  論文  参考訳（メタデータ） (2023-09-19T07:24:10Z)
• Capturing Fine-grained Semantics in Contrastive Graph Representation Learning [23.861016307326146]
  グラフコントラスト学習(Graph contrastive learning)は、類似のインスタンスを閉じて、異種インスタンスをプッシュするコントラストタスクを定義する。 グラフコントラスト学習の既存の方法は、グラフに存在する多様な意味論の違いを無視している。 本稿では, グラフコントラスト学習法(FSGCL)を提案する。
  論文  参考訳（メタデータ） (2023-04-23T14:05:05Z)
• 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)
• ARIEL: Adversarial Graph Contrastive Learning [51.14695794459399]
  ARIELは、ノードレベルとグラフレベルの両方の分類タスクにおいて、現在のグラフコントラスト学習法よりも一貫して優れている。 ARIELは敵の攻撃に対してより堅牢である。
  論文  参考訳（メタデータ） (2022-08-15T01:24:42Z)
• 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)
• 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)
• Self-supervised Graph Learning for Recommendation [69.98671289138694]
  ユーザ・イテムグラフを用いた自己教師型学習を推奨する。 補助的自己監督タスクは、自己識別によるノード表現学習を強化する。 3つのベンチマークデータセットに関する実証的研究は、SGLの有効性を示す。
  論文  参考訳（メタデータ） (2020-10-21T06:35:26Z)
• Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
  逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。 少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。 我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
  論文  参考訳（メタデータ） (2020-06-18T00:55:10Z)

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。