論文の概要: AmGCL: Feature Imputation of Attribute Missing Graph via Self-supervised Contrastive Learning

• arxiv url: http://arxiv.org/abs/2305.03741v1
• Date: Fri, 5 May 2023 07:03:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-09 19:40:41.733197
• Title: AmGCL: Feature Imputation of Attribute Missing Graph via Self-supervised Contrastive Learning
• Title（参考訳）: AmGCL:自己教師型コントラスト学習による属性不足グラフの特徴計算
• Authors: Xiaochuan Zhang, Mengran Li, Ye Wang, Haojun Fei
• Abstract要約: AmGCL(Attribute missing Graph Contrastive Learning)は属性グラフデータの欠落ノード属性を処理するフレームワークである。 複数の実世界のデータセットに対する実験結果から、AmGCLは特徴計算とノード分類の両方において最先端の手法より優れていることが示された。
• 参考スコア（独自算出の注目度）: 2.42435538337438
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Attribute graphs are ubiquitous in multimedia applications, and graph representation learning (GRL) has been successful in analyzing attribute graph data. However, incomplete graph data and missing node attributes can have a negative impact on media knowledge discovery. Existing methods for handling attribute missing graph have limited assumptions or fail to capture complex attribute-graph dependencies. To address these challenges, we propose Attribute missing Graph Contrastive Learning (AmGCL), a framework for handling missing node attributes in attribute graph data. AmGCL leverages Dirichlet energy minimization-based feature precoding to encode in missing attributes and a self-supervised Graph Augmentation Contrastive Learning Structure (GACLS) to learn latent variables from the encoded-in data. Specifically, AmGCL utilizies feature reconstruction based on structure-attribute energy minimization while maximizes the lower bound of evidence for latent representation mutual information. Our experimental results on multiple real-world datasets demonstrate that AmGCL outperforms state-of-the-art methods in both feature imputation and node classification tasks, indicating the effectiveness of our proposed method in real-world attribute graph analysis tasks.
• Abstract（参考訳）: 属性グラフはマルチメディアアプリケーションではユビキタスであり,グラフ表現学習(GRL)は属性グラフデータの解析に成功している。 しかし、不完全グラフデータと欠落ノード属性はメディア知識発見に悪影響を及ぼす可能性がある。 属性欠落グラフを処理する既存のメソッドには、複雑な属性グラフ依存関係の取得に失敗したり、仮定が限定されている。 これらの課題に対処するため,属性グラフデータにおけるノード属性の欠落を処理するフレームワークであるAttribute missing Graph Contrastive Learning (AmGCL)を提案する。 AmGCLはディリクレのエネルギー最小化に基づくプリコーディングを利用して、欠落した属性をエンコードし、自己教師付きグラフ拡張コントラスト学習構造(GACLS)を用いて、エンコードされたデータから潜伏変数を学習する。 特に、amgclは構造分布エネルギー最小化に基づく特徴再構成を活用し、潜在表現相互情報に対するエビデンスの下限を最大化する。 複数の実世界のデータセットを用いた実験結果から, amgclは機能インプテーションとノード分類の両方において最先端の手法よりも優れており, 実世界の属性グラフ解析タスクにおいて提案手法の有効性が示された。

関連論文リスト

• Self-Supervised Conditional Distribution Learning on Graphs [15.730933577970687]
  本稿では,従来の特徴に対して,弱い特徴と強く拡張された特徴の条件分布を整列するエンドツーエンドグラフ表現学習モデルを提案する。 このアライメントは、グラフ構造化データ拡張による本質的な意味情報の破壊のリスクを効果的に低減する。
  論文  参考訳（メタデータ） (2024-11-20T07:26:36Z)
• Tensor-Fused Multi-View Graph Contrastive Learning [12.412040359604163]
  グラフコントラッシブラーニング(GCL)は、グラフニューラルネットワーク(GNN)の機能を強化し、ラベルのないグラフ構造化データからリッチな表現を学習するための、有望なアプローチとして登場した。 現在のGCLモデルは、計算要求と限られた機能利用の課題に直面している。 提案するTensorMV-GCLは,拡張された永続的ホモロジーをGCL表現と統合し,マルチスケールな特徴抽出を容易にする新しいフレームワークである。
  論文  参考訳（メタデータ） (2024-10-20T01:40:12Z)
• GraphEdit: Large Language Models for Graph Structure Learning [62.618818029177355]
  グラフ構造学習(GSL)は、グラフ構造データ中のノード間の固有の依存関係と相互作用をキャプチャすることに焦点を当てている。 既存のGSL法は、監督信号として明示的なグラフ構造情報に大きく依存している。 グラフ構造化データの複雑なノード関係を学習するために,大規模言語モデル(LLM)を利用したグラフ編集を提案する。
  論文  参考訳（メタデータ） (2024-02-23T08:29:42Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• Localized Contrastive Learning on Graphs [110.54606263711385]
  局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。 その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
  論文  参考訳（メタデータ） (2022-12-08T23:36:00Z)
• Features Based Adaptive Augmentation for Graph Contrastive Learning [0.0]
  自己監督学習は、グラフ表現学習における高価なアノテーションの必要性を排除することを目的としている。 機能に基づく適応拡張(FebAA)アプローチを導入し、潜在的に影響力のある機能を特定し保存する。 8つのグラフ表現学習のベンチマークデータセットにおいて,GRACEとBGRLの精度を向上させることに成功した。
  論文  参考訳（メタデータ） (2022-07-05T03:41:20Z)
• 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)
• Wasserstein diffusion on graphs with missing attributes [38.153052525001264]
  本稿では,ノード表現学習フレームワークであるワッサーシュタイングラフ拡散(WGD)を提案し,問題を緩和する。 提案手法は,特徴量計算の代わりに,欠落した属性グラフからノード表現を直接学習する。
  論文  参考訳（メタデータ） (2021-02-06T00:06:51Z)
• Learning on Attribute-Missing Graphs [66.76561524848304]
  部分ノードのみの属性が利用できるグラフがあり、他の属性が完全に欠落している可能性がある。 一般的なGNNを含む既存のグラフ学習手法では、満足な学習性能が得られない。 我々は,属性欠落グラフのための構造属性変換器(SAT)と呼ばれる新しい分布マッチングベースGNNを開発した。
  論文  参考訳（メタデータ） (2020-11-03T11:09:52Z)
• Unsupervised Graph Embedding via Adaptive Graph Learning [85.28555417981063]
  グラフオートエンコーダ(GAE)は、グラフ埋め込みのための表現学習において強力なツールである。 本稿では,2つの新しい教師なしグラフ埋め込み法,適応グラフ学習(BAGE)による教師なしグラフ埋め込み,変分適応グラフ学習(VBAGE)による教師なしグラフ埋め込みを提案する。 いくつかのデータセットに関する実験的研究により、我々の手法がノードクラスタリング、ノード分類、グラフ可視化タスクにおいて、ベースラインよりも優れていることが実証された。
  論文  参考訳（メタデータ） (2020-03-10T02:33:14Z)

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。