論文の概要: Multi-View Graph Representation Learning Beyond Homophily

• arxiv url: http://arxiv.org/abs/2304.07509v1
• Date: Sat, 15 Apr 2023 08:35:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-18 18:44:39.228639
• Title: Multi-View Graph Representation Learning Beyond Homophily
• Title（参考訳）: ホモフィリーを越えた多視点グラフ表現学習
• Authors: Bei Lin, You Li, Ning Gui, Zhuopeng Xu, Zhiwu Yu
• Abstract要約: 非教師付きグラフ表現学習(GRL)は,多種多様なグラフ情報をラベル管理なしでタスクに依存しない埋め込みに抽出することを目的としている。 MVGE(Multi-view Graph)と呼ばれる新しいフレームワークを提案し、キーデザインのセットを特定した。
• 参考スコア（独自算出の注目度）: 2.601278669926709
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised graph representation learning(GRL) aims to distill diverse graph information into task-agnostic embeddings without label supervision. Due to a lack of support from labels, recent representation learning methods usually adopt self-supervised learning, and embeddings are learned by solving a handcrafted auxiliary task(so-called pretext task). However, partially due to the irregular non-Euclidean data in graphs, the pretext tasks are generally designed under homophily assumptions and cornered in the low-frequency signals, which results in significant loss of other signals, especially high-frequency signals widespread in graphs with heterophily. Motivated by this limitation, we propose a multi-view perspective and the usage of diverse pretext tasks to capture different signals in graphs into embeddings. A novel framework, denoted as Multi-view Graph Encoder(MVGE), is proposed, and a set of key designs are identified. More specifically, a set of new pretext tasks are designed to encode different types of signals, and a straightforward operation is propxwosed to maintain both the commodity and personalization in both the attribute and the structural levels. Extensive experiments on synthetic and real-world network datasets show that the node representations learned with MVGE achieve significant performance improvements in three different downstream tasks, especially on graphs with heterophily. Source code is available at \url{https://github.com/G-AILab/MVGE}.
• Abstract（参考訳）: unsupervised graph representation learning(grl)の目的は、ラベルの監督なしに、さまざまなグラフ情報をタスクに依存しない埋め込みに蒸留することである。 ラベルからの支持が欠如しているため,近年の表現学習法では自己指導型学習が一般的であり,手作り補助タスク(いわゆるプレテキストタスク)を解くことで埋め込みが学習される。 しかしながら、グラフ内の不規則な非ユークリッドデータによって部分的には、前文のタスクは一般にホモフィリー仮定の下で設計され、低周波信号で分断され、他の信号、特にヘテロフィリーグラフに広く分布する高周波信号が著しく失われる。 この制限により、グラフ内の様々な信号を埋め込みに捉えるために、多視点視点と多様なプリテキストタスクの使用を提案する。 MVGE(Multi-view Graph Encoder)と呼ばれる新しいフレームワークを提案し,鍵設計の集合を同定した。 より具体的には、新しいプリテキストタスクのセットは、異なる種類の信号をエンコードするように設計され、属性と構造レベルの両方において、コモディティとパーソナライズの両方を維持するための簡単な操作がプロジェクツされる。 合成および実世界のネットワークデータセットに対する大規模な実験により、MVGEで学習したノード表現は、3つの下流タスク、特にヘテロフィリーグラフにおいて顕著なパフォーマンス向上を達成できた。 ソースコードは \url{https://github.com/G-AILab/MVGE} で入手できる。

関連論文リスト

• Instance-Aware Graph Prompt Learning [71.26108600288308]
  本稿では,インスタンス対応グラフプロンプト学習(IA-GPL)について紹介する。 このプロセスでは、軽量アーキテクチャを使用して各インスタンスの中間プロンプトを生成する。 複数のデータセットと設定で実施された実験は、最先端のベースラインと比較して、IA-GPLの優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-11-26T18:38:38Z)
• UniGAD: Unifying Multi-level Graph Anomaly Detection [24.521519477548416]
  Graph Anomaly Detection (GAD) は、グラフ構造化データ内の異常、レイリー、疑わしいオブジェクトを識別することを目的としている。 ノード,エッジ,グラフレベルの異常を共同で検出する最初の統一フレームワークであるUniGADを提案する。
  論文  参考訳（メタデータ） (2024-11-10T11:09:55Z)
• Exploring Task Unification in Graph Representation Learning via Generative Approach [12.983429541410617]
  グラフは現実世界のシナリオにおいてユビキタスであり、ノードレベル、エッジレベル、グラフレベルのタスクから移行学習まで、さまざまなタスクを含んでいる。 最近の取り組みは、複数のグラフタスクをまたいで一般化できる統一されたフレームワークを設計することを目的としている。 これらのうち、グラフオートエンコーダ(GAE)は、様々なグラフタスクに効果的に対処する可能性を示している。 本稿では,これらの課題にシームレスに対処可能な,対向マスク型オートエンコーダであるGA2Eを提案する。
  論文  参考訳（メタデータ） (2024-03-21T12:14:02Z)
• ALEX: Towards Effective Graph Transfer Learning with Noisy Labels [11.115297917940829]
  本稿では,グラフ伝達学習の課題に対処するため,バランスアライメントと情報認識試験(ALEX)と呼ばれる新しい手法を提案する。 ALEXはまず特異値分解を使用して、重要な構造的意味論を持つ異なるビューを生成し、堅牢なノード表現を提供する。 この基礎の上に構築され、複雑なマルチモーダル分布の暗黙的な領域アライメントのために、対向領域判別器が組み込まれている。
  論文  参考訳（メタデータ） (2023-09-26T04:59:49Z)
• SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
  テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。 まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。 次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
  論文  参考訳（メタデータ） (2023-08-03T07:00:04Z)
• Group Contrastive Self-Supervised Learning on Graphs [101.45974132613293]
  グラフ上での自己教師型学習をコントラッシブ手法を用いて研究する。 複数の部分空間におけるグラフの対比により、グラフエンコーダはより豊富な特徴を捉えることができる。
  論文  参考訳（メタデータ） (2021-07-20T22:09:21Z)
• 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)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• 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)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)

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。