論文の概要: Line Graph Contrastive Learning for Link Prediction
- arxiv url: http://arxiv.org/abs/2210.13795v1
- Date: Tue, 25 Oct 2022 06:57:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 16:18:32.754206
- Title: Line Graph Contrastive Learning for Link Prediction
- Title(参考訳): リンク予測のための線グラフコントラスト学習
- Authors: Zehua Zhang, Shilin Sun, Guixiang Ma, Caiming Zhong
- Abstract要約: 多視点情報を得るために,Line Graph Contrastive Learning (LGCL)法を提案する。
6つの公開データセットの実験により、LGCLはリンク予測タスクの現在のベンチマークを上回っている。
- 参考スコア(独自算出の注目度): 4.876567687745239
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Link prediction task aims to predict the connection of two nodes in the
network. Existing works mainly predict links by node pairs similarity
measurements. However, if the local structure doesn't meet such measurement
assumption, the algorithms' performance will deteriorate rapidly. To overcome
these limitations, we propose a Line Graph Contrastive Learning (LGCL) method
to obtain multiview information. Our framework obtains a subgraph view by h-hop
subgraph sampling with target node pairs as the center. After transforming the
sampled subgraph into a line graph, the edge embedding information is directly
accessible, and the link prediction task is converted into a node
classification task. Then, different graph convolution operators learn
representations from double perspectives. Finally, contrastive learning is
adopted to balance the subgraph representations of these perspectives via
maximizing mutual information. With experiments on six public datasets, LGCL
outperforms current benchmarks on link prediction tasks and shows better
generalization performance and robustness.
- Abstract(参考訳): リンク予測タスクは、ネットワーク内の2つのノードの接続を予測することを目的としている。
既存の研究は主にノード対の類似度測定によってリンクを予測する。
しかし, 局所構造がそのような仮定を満たさない場合, アルゴリズムの性能は急速に低下する。
これらの制約を克服するために,多視点情報を得るためにLine Graph Contrastive Learning (LGCL)法を提案する。
対象ノード対を中心とするh-hopサブグラフサンプリングによりサブグラフビューを得る。
サンプルされたサブグラフを線グラフに変換した後、エッジ埋め込み情報を直接アクセスし、リンク予測タスクをノード分類タスクに変換する。
次に、異なるグラフ畳み込み演算子は二重視点から表現を学習する。
最後に、相互情報の最大化を通じてこれらの視点のサブグラフ表現のバランスをとるためにコントラスト学習が採用される。
6つの公開データセットの実験により、LGCLはリンク予測タスクの現在のベンチマークを上回っ、より優れた一般化性能と堅牢性を示している。
関連論文リスト
- NESS: Learning Node Embeddings from Static SubGraphs [0.0]
本稿では,グラフオートエンコーダ(GAE)を用いて静的サブグラフ(NESS)からノード埋め込みをトランスダクティブに学習するフレームワークを提案する。
我々は,GAEを用いたトレーニング中に静的部分グラフを用いることで,リンク予測タスクのノード表現が向上することが実証された。
論文 参考訳(メタデータ) (2023-03-15T22:14:28Z) - You Only Transfer What You Share: Intersection-Induced Graph Transfer
Learning for Link Prediction [79.15394378571132]
従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。
より密度の高いグラフは、意味のある知識を伝達するための自然な橋渡しを提供する元のグラフとノードを共有することができる。
この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
論文 参考訳(メタデータ) (2023-02-27T22:56:06Z) - Generative Graph Neural Networks for Link Prediction [13.643916060589463]
欠落したリンクを推測したり、観測されたグラフに基づいて急激なリンクを検出することは、グラフデータ分析における長年の課題である。
本稿では,GraphLPと呼ばれるネットワーク再構成理論に基づく,新しい,根本的に異なるリンク予測アルゴリズムを提案する。
リンク予測に使用される識別ニューラルネットワークモデルとは異なり、GraphLPは生成可能であり、ニューラルネットワークベースのリンク予測の新しいパラダイムを提供する。
論文 参考訳(メタデータ) (2022-12-31T10:07:19Z) - GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
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。
論文 参考訳(メタデータ) (2022-03-24T02:58:36Z) - Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。
GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。
提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文 参考訳(メタデータ) (2022-03-03T09:53:53Z) - Training Free Graph Neural Networks for Graph Matching [103.45755859119035]
TFGMは、グラフニューラルネットワーク(GNN)ベースのグラフマッチングのパフォーマンスをトレーニングなしで向上するフレームワークである。
TFGMをさまざまなGNNに適用することは、ベースラインよりも有望な改善を示している。
論文 参考訳(メタデータ) (2022-01-14T09:04:46Z) - Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。
提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。
すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
論文 参考訳(メタデータ) (2021-09-01T08:24:02Z) - Self-Supervised Graph Learning with Proximity-based Views and Channel
Contrast [4.761137180081091]
グラフニューラルネットワーク(GNN)は、近傍の集約をコアコンポーネントとして使用し、近接ノード間の機能を滑らかにする。
この問題に対処するため、我々は2つのグラフビューでグラフを強化し、ノードは最も類似した特徴や局所構造を持つものと直接リンクする。
生成したビューと元のグラフをまたいだ表現の一致を最大化する手法を提案する。
論文 参考訳(メタデータ) (2021-06-07T15:38:36Z) - Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。
このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。
本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。
特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文 参考訳(メタデータ) (2020-10-20T05:54:31Z) - Which way? Direction-Aware Attributed Graph Embedding [2.429993132301275]
グラフ埋め込みアルゴリズムは連続ベクトル空間内のグラフを効率的に表現するために用いられる。
しばしば見落とされがちな側面の1つは、グラフが向き付けられたかどうかである。
本研究は,DIAGRAMという,テキストに富んだ方向認識アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-01-30T13:08:19Z)
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。