論文の概要: FastGCL: Fast Self-Supervised Learning on Graphs via Contrastive
Neighborhood Aggregation
- arxiv url: http://arxiv.org/abs/2205.00905v1
- Date: Mon, 2 May 2022 13:33:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-03 17:52:30.021252
- Title: FastGCL: Fast Self-Supervised Learning on Graphs via Contrastive
Neighborhood Aggregation
- Title(参考訳): fastgcl:コントラスト型近傍アグリゲーションによるグラフ上の高速な自己教師付き学習
- Authors: Yuansheng Wang, Wangbin Sun, Kun Xu, Zulun Zhu, Liang Chen, Zibin
Zheng
- Abstract要約: よりコントラスト的なスキームは、グラフニューラルネットワークの特性に合わせて調整されるべきである、と我々は主張する。
重み付けと非集約の近傍情報をそれぞれ正と負のサンプルとして構成することにより、FastGCLはデータの潜在的な意味情報を識別する。
ノード分類とグラフ分類のタスクについて実験を行い、FastGCLは競合する分類性能と重要なトレーニングスピードアップを有することを示した。
- 参考スコア(独自算出の注目度): 26.07819501316758
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph contrastive learning (GCL), as a popular approach to graph
self-supervised learning, has recently achieved a non-negligible effect. To
achieve superior performance, the majority of existing GCL methods elaborate on
graph data augmentation to construct appropriate contrastive pairs. However,
existing methods place more emphasis on the complex graph data augmentation
which requires extra time overhead, and pay less attention to developing
contrastive schemes specific to encoder characteristics. We argue that a better
contrastive scheme should be tailored to the characteristics of graph neural
networks (e.g., neighborhood aggregation) and propose a simple yet effective
method named FastGCL. Specifically, by constructing weighted-aggregated and
non-aggregated neighborhood information as positive and negative samples
respectively, FastGCL identifies the potential semantic information of data
without disturbing the graph topology and node attributes, resulting in faster
training and convergence speeds. Extensive experiments have been conducted on
node classification and graph classification tasks, showing that FastGCL has
competitive classification performance and significant training speedup
compared to existing state-of-the-art methods.
- Abstract(参考訳): グラフ・コントラッシブ・ラーニング(GCL)はグラフ自己教師型ラーニングの一般的なアプローチであり、最近非無視的な効果を達成している。
優れた性能を実現するため、既存のgcl手法の大部分はグラフデータ拡張に精通し、適切なコントラストペアを構築する。
しかし、既存の手法では、余分な時間オーバーヘッドを必要とする複雑なグラフデータ拡張に重点を置いており、エンコーダ特性に特有のコントラストスキームの開発にはあまり注意を払っていない。
より優れたコントラスト的スキームは、グラフニューラルネットワークの特性(例えば、近傍集約)に合わせて調整されるべきであり、FastGCLという単純な方法を提案する。
具体的には、重み付けされた近傍情報と非集約型近傍情報をそれぞれ正と負のサンプルとして構築することで、fastgclはグラフトポロジーとノード属性を乱すことなくデータの潜在的な意味情報を識別し、より高速なトレーニングと収束速度をもたらす。
ノード分類およびグラフ分類タスクにおいて、FastGCLは既存の最先端手法と比較して、競争力のある分類性能と重要なトレーニングスピードアップを有することを示した。
関連論文リスト
- Self-Supervised Conditional Distribution Learning on Graphs [15.730933577970687]
本稿では,従来の特徴に対して,弱い特徴と強く拡張された特徴の条件分布を整列するエンドツーエンドグラフ表現学習モデルを提案する。
このアライメントは、グラフ構造化データ拡張による本質的な意味情報の破壊のリスクを効果的に低減する。
論文 参考訳(メタデータ) (2024-11-20T07:26:36Z) - Modularity aided consistent attributed graph clustering via coarsening [6.522020196906943]
グラフクラスタリングは、属性付きグラフを分割し、コミュニティを検出するための重要な教師なし学習手法である。
本稿では,ブロックの最大化最小化手法を用いて,対数行列,滑らか性,モジュラリティを組み込んだ損失関数を提案する。
我々のアルゴリズムはグラフニューラルネットワーク(GNN)と変分グラフオートエンコーダ(VGAE)をシームレスに統合し、拡張ノードの特徴を学習し、例外的なクラスタリング性能を実現する。
論文 参考訳(メタデータ) (2024-07-09T10:42:19Z) - Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。
最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。
我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
論文 参考訳(メタデータ) (2023-10-23T01:25:44Z) - HomoGCL: Rethinking Homophily in Graph Contrastive Learning [64.85392028383164]
HomoGCL はモデルに依存しないフレームワークで、近隣のノードに固有の意味を持つ正の集合を拡大する。
我々は、HomoGCLが6つの公開データセットにまたがって複数の最先端結果をもたらすことを示す。
論文 参考訳(メタデータ) (2023-06-16T04:06:52Z) - LightGCL: Simple Yet Effective Graph Contrastive Learning for
Recommendation [9.181689366185038]
グラフニューラルクラスタリングネットワーク(GNN)は、グラフベースのレコメンデータシステムのための強力な学習手法である。
本稿では,単純なグラフコントラスト学習パラダイムであるLightGCLを提案する。
論文 参考訳(メタデータ) (2023-02-16T10:16:21Z) - 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) - Unifying Graph Contrastive Learning with Flexible Contextual Scopes [57.86762576319638]
フレキシブルコンテキストスコープを用いたグラフコントラスト学習(略してUGCL)という自己教師型学習手法を提案する。
本アルゴリズムは,隣接行列のパワーを制御し,コンテキストスコープによるフレキシブルな文脈表現を構築する。
局所的スコープと文脈的スコープの両方の表現に基づいて、distLはグラフ表現学習のための非常に単純な対照的な損失関数を最適化する。
論文 参考訳(メタデータ) (2022-10-17T07:16:17Z) - 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) - Graph Contrastive Learning with Adaptive Augmentation [23.37786673825192]
本稿では,適応的拡張を用いた新しいグラフコントラスト表現学習法を提案する。
具体的には,ノードの集中度に基づく拡張スキームを設計し,重要な結合構造を明らかにする。
提案手法は,既存の最先端のベースラインを一貫して上回り,教師付きベースラインを超えている。
論文 参考訳(メタデータ) (2020-10-27T15:12:21Z) - 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)
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。