論文の概要: COIN: Co-Cluster Infomax for Bipartite Graphs

• arxiv url: http://arxiv.org/abs/2206.00006v1
• Date: Tue, 31 May 2022 10:20:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-04 08:43:36.959964
• Title: COIN: Co-Cluster Infomax for Bipartite Graphs
• Title（参考訳）: COIN: 双方向グラフのための共クラスタInfomax
• Authors: Baoyu Jing, Yuchen Yan, Yada Zhu and Hanghang Tong
• Abstract要約: 二部グラフの基本的な課題は、情報的ノード埋め込みの学習方法である。 我々は,コクラスタの相互情報の最大化によってクラスタレベルの情報をキャプチャする,新しいコクラスタインフォマックス(COIN)フレームワークを提案する。 提案したCOINフレームワークを様々なベンチマークデータセットやタスク上で広範囲に評価し,COINの有効性を実証する。
• 参考スコア（独自算出の注目度）: 43.52482271628623
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bipartite graphs are powerful data structures to model interactions between two types of nodes, which have been used in a variety of applications, such as recommender systems, information retrieval, and drug discovery. A fundamental challenge for bipartite graphs is how to learn informative node embeddings. Despite the success of recent self-supervised learning methods on bipartite graphs, their objectives are discriminating instance-wise positive and negative node pairs, which could contain cluster-level errors. In this paper, we introduce a novel co-cluster infomax (COIN) framework, which captures the cluster-level information by maximizing the mutual information of co-clusters. Different from previous infomax methods which estimate mutual information by neural networks, COIN could easily calculate mutual information. Besides, COIN is an end-to-end co-clustering method which can be trained jointly with other objective functions and optimized via back-propagation. Furthermore, we also provide theoretical analysis for COIN. We theoretically prove that COIN is able to effectively maximize the mutual information of node embeddings and COIN is upper-bounded by the prior distributions of nodes. We extensively evaluate the proposed COIN framework on various benchmark datasets and tasks to demonstrate the effectiveness of COIN.
• Abstract（参考訳）: 二部グラフは、2種類のノード間の相互作用をモデル化するための強力なデータ構造であり、レコメンダシステム、情報検索、薬物発見など、様々なアプリケーションで使われている。 二部グラフの基本的な課題は、情報的ノード埋め込みの学習方法である。 最近の二部グラフにおける自己教師型学習手法の成功にもかかわらず、それらの目的はクラスタレベルのエラーを含む可能性のあるインスタンス単位の正と負のノードペアを識別することである。 本稿では,コクラスタの相互情報の最大化によってクラスタレベルの情報をキャプチャする,新しいコクラスタインフォマックス(COIN)フレームワークを提案する。 ニューラルネットワークで相互情報を推定する従来のインフォマックス法とは異なり、COINは相互情報を容易に計算できる。 さらに、COINは、他の目的関数と共同で訓練し、バックプロパゲーションによって最適化できるエンドツーエンドのクラスタリング手法である。 さらに,コインの理論的解析についても述べる。 理論的には、COINはノード埋め込みの相互情報を効果的に最大化することができ、COINはノードの以前の分布によって上界である。 提案したCOINフレームワークを様々なベンチマークデータセットやタスク上で広範囲に評価し,COINの有効性を実証する。

関連論文リスト

• Cluster-based Graph Collaborative Filtering [55.929052969825825]
  グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。 既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。 クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-16T07:05:16Z)
• Redundancy-Free Self-Supervised Relational Learning for Graph Clustering [13.176413653235311]
  冗長フリーグラフクラスタリング(R$2$FGC)という,自己教師付き深層グラフクラスタリング手法を提案する。 オートエンコーダとグラフオートエンコーダに基づいて,グローバルビューとローカルビューの両方から属性レベルと構造レベルの関係情報を抽出する。 この実験は,R$2$FGCが最先端のベースラインよりも優れていることを示すために,広く使用されているベンチマークデータセット上で実施されている。
  論文  参考訳（メタデータ） (2023-09-09T06:18:50Z)
• Fisher Information Embedding for Node and Graph Learning [5.263910852465186]
  本稿では,グラフのための新しい注目型ノード埋め込みフレームワークを提案する。 我々のフレームワークはノード周辺のサブグラフの多重集合のための階層的カーネル上に構築されている。 埋め込みの一般化性と表現性に関する理論的知見を提供する。
  論文  参考訳（メタデータ） (2023-05-12T16:15:30Z)
• STERLING: Synergistic Representation Learning on Bipartite Graphs [78.86064828220613]
  二部グラフ表現学習の基本的な課題は、ノードの埋め込みを抽出する方法である。 最近の二部グラフSSL法は、正ノード対と負ノード対を識別することによって埋め込みを学習する対照的な学習に基づいている。 負のノードペアを持たないノード埋め込みを学習するための新しい相乗的表現学習モデル(STERling)を提案する。
  論文  参考訳（メタデータ） (2023-01-25T03:21:42Z)
• Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
  今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。 対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。 また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
  論文  参考訳（メタデータ） (2021-01-06T03:05:37Z)
• Deep Reinforcement Learning of Graph Matching [63.469961545293756]
  ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。 GMのための強化学習ソルバを提案する。 rgmはペアワイズグラフ間のノード対応を求める。 本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
  論文  参考訳（メタデータ） (2020-12-16T13:48:48Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)

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。