論文の概要: CSGCL: Community-Strength-Enhanced Graph Contrastive Learning

• arxiv url: http://arxiv.org/abs/2305.04658v1
• Date: Mon, 8 May 2023 12:21:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-09 14:29:44.024260
• Title: CSGCL: Community-Strength-Enhanced Graph Contrastive Learning
• Title（参考訳）: csgcl: コミュニティ強化型グラフコントラスト学習
• Authors: Han Chen, Ziwen Zhao, Yuhua Li, Yixiong Zou, Ruixuan Li, Rui Zhang
• Abstract要約: 本稿では,学習過程を通じてコミュニティの強度を維持するために,CSGCL(Community-Strength-enhanced Graph Contrastive Learning)フレームワークを提案する。 本稿では,CAV(Communal Attribute Voting)とCED(Communal Edge Dropping)の2つの新しいグラフ拡張手法を提案する。 本稿では,ノード分類,ノードクラスタリング,リンク予測という3つの下流タスクに関する広範な実験結果について報告する。
• 参考スコア（独自算出の注目度）: 13.770188320382285
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Contrastive Learning (GCL) is an effective way to learn generalized graph representations in a self-supervised manner, and has grown rapidly in recent years. However, the underlying community semantics has not been well explored by most previous GCL methods. Research that attempts to leverage communities in GCL regards them as having the same influence on the graph, leading to extra representation errors. To tackle this issue, we define ''community strength'' to measure the difference of influence among communities. Under this premise, we propose a Community-Strength-enhanced Graph Contrastive Learning (CSGCL) framework to preserve community strength throughout the learning process. Firstly, we present two novel graph augmentation methods, Communal Attribute Voting (CAV) and Communal Edge Dropping (CED), where the perturbations of node attributes and edges are guided by community strength. Secondly, we propose a dynamic ''Team-up'' contrastive learning scheme, where community strength is used to progressively fine-tune the contrastive objective. We report extensive experiment results on three downstream tasks: node classification, node clustering, and link prediction. CSGCL achieves state-of-the-art performance compared with other GCL methods, validating that community strength brings effectiveness and generality to graph representations. Our code is available at https://github.com/HanChen-HUST/CSGCL.
• Abstract（参考訳）: グラフコントラスト学習(GCL)は,グラフ表現を自己指導的に学習する有効な方法であり,近年急速に成長している。 しかし、基礎となるコミュニティセマンティクスは、これまでのほとんどのGCLメソッドではよく研究されていない。 GCLのコミュニティを活用しようとする研究は、グラフに同じ影響を与え、余分な表現エラーをもたらすと考えている。 この問題に取り組むために,コミュニティ間の影響力の差を測定するために,「コミュニティの強さ」を定義する。 本研究では,学習過程を通じてコミュニティの強みを維持するために,CSGCL(Community-Strength-enhanced Graph Contrastive Learning)フレームワークを提案する。 まず,ノード属性とエッジの摂動がコミュニティの強さによって誘導される2つの新しいグラフ拡張法,communial attribute voting(cav)とcommunial edge drop(ced)を提案する。 次に,コミュニティの強みを利用して,コントラスト目標を段階的に微調整する動的「チームアップ」学習手法を提案する。 我々は,ノード分類,ノードクラスタリング,リンク予測という3つの下流タスクに関する広範な実験結果を報告する。 CSGCLは他のGCL法と比較して最先端の性能を達成し、コミュニティの強さがグラフ表現に有効性と一般化をもたらすことを検証した。 私たちのコードはhttps://github.com/HanChen-HUST/CSGCLで公開されています。

関連論文リスト

• Community-Invariant Graph Contrastive Learning [21.72222875193335]
  本研究では,グラフ強化におけるグラフコミュニティの役割について検討する。 本稿では,学習可能なグラフ拡張時のグラフコミュニティ構造を維持するための,コミュニティ不変なGCLフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-02T14:59:58Z)
• Community-Aware Efficient Graph Contrastive Learning via Personalized Self-Training [27.339318501446115]
  本稿では,コミュニティ分割とノード表現をエンドツーエンドで共同で学習する,コミュニティ対応の効率的なグラフコントラスト学習フレームワーク(CEGCL)を提案する。 CEGCLは,異なるスケールの3つのベンチマークデータセットに対して,最先端のパフォーマンスを示す。
  論文  参考訳（メタデータ） (2023-11-18T13:45:21Z)
• Provable Training for Graph Contrastive Learning [58.8128675529977]
  Graph Contrastive Learning (GCL)は、ラベルのない拡張グラフからノード埋め込みを学習するための一般的なトレーニング手法として登場した。 GCLのトレーニングは、実際にはすべてのノードで不均衡であることを示す。 ノードがGCLの原理に従う方法の下位境界である計量「ノードコンパクト性」を提案する。
  論文  参考訳（メタデータ） (2023-09-25T08:23:53Z)
• From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited [51.24526202984846]
  グラフベースの半教師付き学習(GSSL)は、長い間ホットな研究トピックだった。 グラフ畳み込みネットワーク (GCN) は, 有望な性能を示す主要な技術となっている。
  論文  参考訳（メタデータ） (2023-09-24T10:10:21Z)
• Similarity Preserving Adversarial Graph Contrastive Learning [5.671825576834061]
  類似性を保存する逆数グラフの対比学習フレームワークを提案する。 本稿では,複数の下流タスクにおいてSP-AGCLが競合性能を発揮することを示す。
  論文  参考訳（メタデータ） (2023-06-24T04:02:50Z)
• HomoGCL: Rethinking Homophily in Graph Contrastive Learning [64.85392028383164]
  HomoGCL はモデルに依存しないフレームワークで、近隣のノードに固有の意味を持つ正の集合を拡大する。 我々は、HomoGCLが6つの公開データセットにまたがって複数の最先端結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-06-16T04:06:52Z)
• Graph Contrastive Learning for Skeleton-based Action Recognition [85.86820157810213]
  骨格に基づく行動認識のためのグラフコントラスト学習フレームワークを提案する。 SkeletonGCLは、グラフをクラス識別に強制することで、シーケンス間のグラフ学習を関連付ける。 SkeletonGCLは新しいトレーニングパラダイムを確立し、現在のグラフ畳み込みネットワークにシームレスに組み込むことができる。
  論文  参考訳（メタデータ） (2023-01-26T02:09:16Z)
• Unifying Graph Contrastive Learning with Flexible Contextual Scopes [57.86762576319638]
  フレキシブルコンテキストスコープを用いたグラフコントラスト学習(略してUGCL)という自己教師型学習手法を提案する。 本アルゴリズムは,隣接行列のパワーを制御し,コンテキストスコープによるフレキシブルな文脈表現を構築する。 局所的スコープと文脈的スコープの両方の表現に基づいて、distLはグラフ表現学習のための非常に単純な対照的な損失関数を最適化する。
  論文  参考訳（メタデータ） (2022-10-17T07:16:17Z)
• Uncovering the Structural Fairness in Graph Contrastive Learning [87.65091052291544]
  グラフコントラスト学習(GCL)は、ノード表現を学習するための有望な自己教師型アプローチとして登場した。 GCL法で得られた表現は,GCN法で学習した表現よりも既に公平であることを示す。 我々は、低次ノードと高次ノードに異なる戦略を適用し、GRAph contrastive learning for Degree bias (GRADE)と呼ばれるグラフ拡張手法を考案した。
  論文  参考訳（メタデータ） (2022-10-06T15:58:25Z)
• Graph Communal Contrastive Learning [34.85906025283825]
  グラフ表現学習の基本的な問題は、人間のラベル付けなしで表現を効果的に学習する方法である。 本稿では,コミュニティ分割を共同で学習し,ノード表現を学習するグラフコントラスト学習(gCooL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-28T02:57:54Z)

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。