論文の概要: ID-MixGCL: Identity Mixup for Graph Contrastive Learning
- arxiv url: http://arxiv.org/abs/2304.10045v2
- Date: Wed, 17 Jan 2024 16:28:51 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-18 21:53:27.060173
- Title: ID-MixGCL: Identity Mixup for Graph Contrastive Learning
- Title（参考訳）: ID-MixGCL:グラフコントラスト学習のためのアイデンティティ混合
- Authors: Gehang Zhang and Bowen Yu and Jiangxia Cao and Xinghua Zhang and
Jiawei Sheng and Chuan Zhou and Tingwen Liu
- Abstract要約: ID-MixGCLは、入力ノードと対応するIDラベルの同時データセットを使用して、ソフト信頼サンプルを得る。
その結果、ID-MixGCLは、グラフ分類およびノード分類タスクの性能を向上させることが示された。
- 参考スコア（独自算出の注目度）: 22.486101865027678
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Graph contrastive learning (GCL) has recently achieved substantial
advancements. Existing GCL approaches compare two different ``views'' of the
same graph in order to learn node/graph representations. The underlying
assumption of these studies is that the graph augmentation strategy is capable
of generating several different graph views such that the graph views are
structurally different but semantically similar to the original graphs, and
thus the ground-truth labels of the original and augmented graph/nodes can be
regarded identical in contrastive learning. However, we observe that this
assumption does not always hold. For instance, the deletion of a super-node
within a social network can exert a substantial influence on the partitioning
of communities for other nodes. Similarly, any perturbation to nodes or edges
in a molecular graph will change the labels of the graph. Therefore, we believe
that augmenting the graph, accompanied by an adaptation of the labels used for
the contrastive loss, will facilitate the encoder to learn a better
representation. Based on this idea, we propose ID-MixGCL, which allows the
simultaneous interpolation of input nodes and corresponding identity labels to
obtain soft-confidence samples, with a controllable degree of change, leading
to the capture of fine-grained representations from self-supervised training on
unlabeled graphs. Experimental results demonstrate that ID-MixGCL improves
performance on graph classification and node classification tasks, as
demonstrated by significant improvements on the Cora, IMDB-B, IMDB-M, and
PROTEINS datasets compared to state-of-the-art techniques, by 3-29% absolute
points.
- Abstract（参考訳）: グラフコントラスト学習(GCL)は近年,大幅な進歩を遂げている。
既存のGCLアプローチは、ノード/グラフ表現を学ぶために、同じグラフの2つの異なる ``views''' を比較する。
これらの研究の根底にある前提は、グラフ拡大戦略は、グラフビューが構造的に異なるが、元のグラフと意味的に類似しているような、いくつかの異なるグラフビューを生成することができるため、元のグラフ/ノードの基底構造ラベルは、対照的な学習において同一とみなすことができるということである。
しかし、この仮定が必ずしも成り立つとは限らない。
例えば、ソーシャルネットワーク内のスーパーノードの削除は、他のノードに対するコミュニティの分割に大きな影響を与える可能性がある。
同様に、分子グラフのノードやエッジへの摂動は、グラフのラベルを変更する。
したがって,グラフの増大と対照的な損失に使用されるラベルの適応が伴うことにより,エンコーダの表現性の向上が促進されると考えられる。
このアイデアに基づいて,ID-MixGCLを提案する。入力ノードと対応するIDラベルの同時補間により,ソフト信頼度サンプルを制御可能な変更度で取得し,ラベルのないグラフ上での自己教師付きトレーニングから,きめ細かい表現をキャプチャする。
実験結果から,ID-MixGCLはCora, IMDB-B, IMDB-M, PROTEINSデータセットを最先端技術と比較して3～29%向上し, グラフ分類およびノード分類タスクの性能が向上することが示された。
関連論文リスト
- Graph Mixup with Soft Alignments [49.61520432554505]
本研究では,画像上での使用に成功しているミキサアップによるグラフデータの増大について検討する。
ソフトアライメントによるグラフ分類のための簡易かつ効果的な混合手法であるS-Mixupを提案する。
論文 参考訳（メタデータ） (2023-06-11T22:04:28Z) - Deep Graph-Level Clustering Using Pseudo-Label-Guided Mutual Information
Maximization Network [31.38584638254226]
我々は、グラフの集合を異なるグループに分割する問題を、同じグループのグラフが類似しているのに対して、異なるグループのグラフが異なるように研究する。
この問題を解決するために,Deep Graph-Level Clustering (DGLC) と呼ばれる新しい手法を提案する。
DGLCはグラフレベルの表現学習とグラフレベルのクラスタリングをエンドツーエンドで実現しています。
論文 参考訳（メタデータ） (2023-02-05T12:28:08Z) - Graph Soft-Contrastive Learning via Neighborhood Ranking [19.241089079154044]
グラフコントラスト学習(GCL)は,グラフ自己教師型学習の領域において,有望なアプローチとして登場した。
グラフソフトコントラスト学習(GSCL)という新しいパラダイムを提案する。
GSCLは地域ランキングを通じてGCLを促進するため、全く同様のペアを特定する必要がなくなる。
論文 参考訳（メタデータ） (2022-09-28T09:52:15Z) - CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph
Similarity Learning [65.1042892570989]
自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。
我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。
我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
論文 参考訳（メタデータ） (2022-05-30T13:20:26Z) - 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) - Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。
クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
論文 参考訳（メタデータ） (2021-09-24T08:01:23Z) - 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) - Inverse Graph Identification: Can We Identify Node Labels Given Graph
Labels? [89.13567439679709]
グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。
本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。
本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
論文 参考訳（メタデータ） (2020-07-12T12:06:17Z) - Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。
標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。
総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
論文 参考訳（メタデータ） (2020-07-08T19:48:19Z)
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。