Fugu-MT 論文翻訳(概要): Relational Self-Supervised Learning on Graphs

論文の概要: Relational Self-Supervised Learning on Graphs

arxiv url: http://arxiv.org/abs/2208.10493v1
Date: Sun, 21 Aug 2022 12:33:16 GMT
ステータス: 処理完了
システム内更新日: 2022-08-24 12:31:51.934136
Title: Relational Self-Supervised Learning on Graphs
Title（参考訳）: グラフ上でのリレーショナル自己監視学習
Authors: Namkyeong Lee, Dongmin Hyun, Junseok Lee, Chanyoung Park
Abstract要約: グラフ表現学習(GRL)は、グラフ構造化データを解析するための強力な戦略である。グラフ自体から生成された関係情報から学習する新しいGRL法であるRGRLを提案する。グローバルとローカルの両方の観点からノード間の関係を考慮することで、RGRLは従来のコントラスト的および非コントラスト的手法の制限を克服する。
参考スコア（独自算出の注目度）: 6.891327852064418
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Over the past few years, graph representation learning (GRL) has been a powerful strategy for analyzing graph-structured data. Recently, GRL methods have shown promising results by adopting self-supervised learning methods developed for learning representations of images. Despite their success, existing GRL methods tend to overlook an inherent distinction between images and graphs, i.e., images are assumed to be independently and identically distributed, whereas graphs exhibit relational information among data instances, i.e., nodes. To fully benefit from the relational information inherent in the graph-structured data, we propose a novel GRL method, called RGRL, that learns from the relational information generated from the graph itself. RGRL learns node representations such that the relationship among nodes is invariant to augmentations, i.e., augmentation-invariant relationship, which allows the node representations to vary as long as the relationship among the nodes is preserved. By considering the relationship among nodes in both global and local perspectives, RGRL overcomes limitations of previous contrastive and non-contrastive methods, and achieves the best of both worlds. Extensive experiments on fourteen benchmark datasets over various downstream tasks demonstrate the superiority of RGRL over state-of-the-art baselines. The source code for RGRL is available at https://github.com/Namkyeong/RGRL.
Abstract（参考訳）: 過去数年間、グラフ表現学習(GRL)はグラフ構造化データを解析するための強力な戦略であった。近年,画像の表現を学習するための自己教師付き学習手法を採用することで,GRL法は有望な結果を示した。その成功にもかかわらず、既存のGRL法は、画像とグラフの固有の区別、すなわち、画像は独立して同一に分散されていると仮定されるのに対して、グラフはデータインスタンス、すなわちノード間の関係情報を示す。グラフ構造データに固有の関係情報を完全に活用するために,グラフ自体から生成された関係情報から学習する,RGRLと呼ばれる新しいGRL法を提案する。 RGRLは、ノード間の関係が拡張に不変である、すなわち、ノード間の関係が保存される限りノード表現を変更できる拡張不変関係(augmentation-invariant relationship)を学習する。グローバルとローカルの両方の観点からノード間の関係を考えることで、rgrlは従来の対比的および非矛盾的方法の限界を克服し、両世界のベストを達成する。様々な下流タスクに対する14のベンチマークデータセットに対する大規模な実験は、最先端のベースラインよりもRGRLの方が優れていることを示している。 RGRLのソースコードはhttps://github.com/Namkyeong/RGRLで公開されている。

関連論文リスト

Data-Driven Self-Supervised Graph Representation Learning [0.0]
自己教師付きグラフ表現学習(英: Self-supervised graph representation learning, SSGRL)は、手動ラベリングの削減や回避に使用される表現学習パラダイムである。本稿では,グラフに符号化された信号から適切なグラフ拡張を自動的に学習する,新しいデータ駆動型SSGRL手法を提案する。ノード分類とグラフ特性予測に関する広範な実験を行う。
論文参考訳（メタデータ） (2024-12-24T10:04:19Z)
Explanation-Preserving Augmentation for Semi-Supervised Graph Representation Learning [13.494832603509897]
グラフ表現学習(GRL)は,ノード分類やグラフ分類といった幅広いタスクのパフォーマンス向上を実現するための有効な手法として登場した。本稿では,拡張グラフの生成にグラフ説明手法を活用する新しい手法である Explanation-Preserving Augmentation (EPA) を提案する。 EPAはまず、グラフのセマンティクスに最も関係のある部分構造(説明)を推測するために、グラフ説明器を訓練するために少数のラベルを使用する。
論文参考訳（メタデータ） (2024-10-16T15:18:03Z)
Disentangled Generative Graph Representation Learning [51.59824683232925]
本稿では,自己教師型学習フレームワークであるDiGGR(Disentangled Generative Graph Representation Learning)を紹介する。潜伏要因を学習し、それをグラフマスクモデリングのガイドとして活用することを目的としている。 2つの異なるグラフ学習タスクのための11の公開データセットの実験は、DiGGRが従来よりも一貫して多くの自己教師付きメソッドを上回っていることを示している。
論文参考訳（メタデータ） (2024-08-24T05:13:02Z)
G-PCGRL: Procedural Graph Data Generation via Reinforcement Learning [0.28273304533873334]
ゲームでは、グラフベースのデータ構造は全表現であり、ゲーム経済、スキルツリー、複雑な分岐クエストラインを表す。本稿では,強化学習を用いたグラフデータの手続き生成のための新規かつ制御可能な手法を提案する。本手法は,ゲーム作成プロセスにおいて,デザイナの支援とインスピレーションを行うために,グラフベースのコンテンツを迅速かつ確実に生成することができる。
論文参考訳（メタデータ） (2024-07-15T07:11:00Z)
Uncovering the Structural Fairness in Graph Contrastive Learning [87.65091052291544]
グラフコントラスト学習(GCL)は、ノード表現を学習するための有望な自己教師型アプローチとして登場した。 GCL法で得られた表現は,GCN法で学習した表現よりも既に公平であることを示す。我々は、低次ノードと高次ノードに異なる戦略を適用し、GRAph contrastive learning for Degree bias (GRADE)と呼ばれるグラフ拡張手法を考案した。
論文参考訳（メタデータ） (2022-10-06T15:58:25Z)
Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
論文参考訳（メタデータ） (2022-06-25T03:54:53Z)
Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
論文参考訳（メタデータ） (2022-04-30T12:57:02Z)
Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。 GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
論文参考訳（メタデータ） (2021-12-15T07:28:58Z)
Augmentation-Free Self-Supervised Learning on Graphs [7.146027549101716]
AFGRLと呼ばれるグラフのための拡張自由な自己教師型学習フレームワークを提案する。具体的には,局所構造情報とグローバルセマンティクスをグラフと共有するノードを発見することによって,グラフの代替ビューを生成する。
論文参考訳（メタデータ） (2021-12-05T04:20:44Z)
Self-supervised Consensus Representation Learning for Attributed Graph [15.729417511103602]
グラフ表現学習に自己教師付き学習機構を導入する。本稿では,新しい自己教師型コンセンサス表現学習フレームワークを提案する。提案手法はトポロジグラフと特徴グラフの2つの視点からグラフを扱う。
論文参考訳（メタデータ） (2021-08-10T07:53:09Z)
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。