論文の概要: Signed Directed Graph Contrastive Learning with Laplacian Augmentation
- arxiv url: http://arxiv.org/abs/2301.05163v1
- Date: Thu, 12 Jan 2023 17:32:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-13 13:51:35.916839
- Title: Signed Directed Graph Contrastive Learning with Laplacian Augmentation
- Title（参考訳）: Laplacian Augmentationを用いた手書きグラフコントラスト学習
- Authors: Taewook Ko, Yoonhyuk Choi, Chong-Kwon Kim
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.3535770763481905
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph contrastive learning has become a powerful technique for several graph
mining tasks. It learns discriminative representation from different
perspectives of augmented graphs. Ubiquitous in our daily life, singed-directed
graphs are the most complex and tricky to analyze among various graph types.
That is why singed-directed graph contrastive learning has not been studied
much yet, while there are many contrastive studies for unsigned and undirected.
Thus, this paper proposes a novel signed-directed graph contrastive learning,
SDGCL. It makes two different structurally perturbed graph views and gets node
representations via magnetic Laplacian perturbation. We use a node-level
contrastive loss to maximize the mutual information between the two graph
views. The model is jointly learned with contrastive and supervised objectives.
The graph encoder of SDGCL does not depend on social theories or predefined
assumptions. Therefore it does not require finding triads or selecting
neighbors to aggregate. It leverages only the edge signs and directions via
magnetic Laplacian. To the best of our knowledge, it is the first to introduce
magnetic Laplacian perturbation and signed spectral graph contrastive learning.
The superiority of the proposed model is demonstrated through exhaustive
experiments on four real-world datasets. SDGCL shows better performance than
other state-of-the-art on four evaluation metrics.
- Abstract（参考訳）: 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。
拡張グラフの異なる視点から識別表現を学ぶ。
日々の生活の中では、singed-directed graphは、さまざまなグラフタイプの中でもっとも複雑で難しい。
そのため、singed-directed graphのコントラスト学習はあまり研究されていないが、unsignedとundirectedのコントラスト研究は数多く存在する。
そこで本研究では,新しい符号付き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、磁気ラプラシアン摂動を介してノード表現を得る。
2つのグラフビュー間の相互情報を最大化するために,ノードレベルのコントラスト損失を用いる。
モデルは、コントラストと教師付き目的と共に学習される。
SDGCLのグラフエンコーダは、社会的理論や事前定義された仮定に依存しない。
したがって、トリアードの発見や隣人の選択は不要である。
磁気ラプラシアンによるエッジサインと方向のみを利用する。
我々の知る限りでは、磁気ラプラシアン摂動とスペクトルグラフの対比学習を導入するのは初めてである。
提案モデルの優位性は、4つの実世界のデータセットに対する徹底的な実験によって実証される。
SDGCLは、他の4つの評価指標よりも優れたパフォーマンスを示している。
関連論文リスト
- Robust Graph Structure Learning under Heterophily [12.557639223778722]
本稿では、下流タスクのための異種データから高品質なグラフを実現するための、新しい頑健なグラフ構造学習法を提案する。
まず,そのノードの特徴に構造情報をエンコードすることで,各ノードが近隣ノードとより区別されるようにハイパスフィルタを適用する。
そして、異なるレベルのノイズを特徴付ける適応ノルムを持つ頑健なグラフを学習する。
論文 参考訳（メタデータ） (2024-03-06T12:29:13Z) - Simple and Asymmetric Graph Contrastive Learning without Augmentations [39.301072710063636]
グラフのための非対称コントラスト学習(GraphACL)は実装が容易であり、グラフ拡張やホモフィリー仮定に依存しない。
実験結果から, 単純グラフACLは, ホモ親和性グラフとヘテロ親和性グラフの対比学習法と自己教師学習法を著しく上回ることがわかった。
論文 参考訳（メタデータ） (2023-10-29T03:14:20Z) - Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。
近年の研究では、グラフ表現学習における事前学習の有用性が示されている。
本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
論文 参考訳（メタデータ） (2023-02-06T16:26:29Z) - 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) - Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。
本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
論文 参考訳（メタデータ） (2022-02-07T08:04:59Z) - 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) - CGCL: Collaborative Graph Contrastive Learning without Handcrafted Graph Data Augmentations [12.820228374977441]
CGCL(Collaborative Graph Contrastive Learning framework)を提案する。
このフレームワークは、グラフを観察するために複数のグラフエンコーダを利用する。
多様なグラフエンコーダ間の協調を保証するため,非対称なアーキテクチャと補完的なエンコーダの概念を提案する。
論文 参考訳（メタデータ） (2021-11-05T05:08:27Z) - Multi-Level Graph Contrastive Learning [38.022118893733804]
本稿では,グラフの空間ビューを対比することで,グラフデータの堅牢な表現を学習するためのマルチレベルグラフコントラスト学習(MLGCL)フレームワークを提案する。
元のグラフは1次近似構造であり、不確実性や誤りを含むが、符号化機能によって生成された$k$NNグラフは高次近接性を保持する。
MLGCLは、7つのデータセット上の既存の最先端グラフ表現学習法と比較して有望な結果が得られることを示す。
論文 参考訳（メタデータ） (2021-07-06T14:24:43Z) - Graph Contrastive Learning with Augmentations [109.23158429991298]
グラフデータの教師なし表現を学習するためのグラフコントラスト学習(GraphCL)フレームワークを提案する。
我々のフレームワークは、最先端の手法と比較して、類似またはより良い一般化可能性、転送可能性、堅牢性のグラフ表現を作成できることを示す。
論文 参考訳（メタデータ） (2020-10-22T20:13:43Z)
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。