論文の概要: Homophily-Driven Sanitation View for Robust Graph Contrastive Learning

• arxiv url: http://arxiv.org/abs/2307.12555v1
• Date: Mon, 24 Jul 2023 06:41:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-25 15:22:30.834657
• Title: Homophily-Driven Sanitation View for Robust Graph Contrastive Learning
• Title（参考訳）: ロバストグラフコントラスト学習のためのホモフィカライズ駆動型衛生ビュー
• Authors: Yulin Zhu, Xing Ai, Yevgeniy Vorobeychik, Kai Zhou
• Abstract要約: 構造化攻撃に対する教師なしグラフコントラスト学習(GCL)の対向的堅牢性について検討する。 本稿では, 相反学習と共同で学習可能な, ホモフィリ駆動型衛生観を統合した頑健なGCLフレームワークを提案する。 我々は,提案モデルであるGCHSの性能を評価するために,広範にわたる実験を行い,GCLに対する芸術的構造的攻撃の2つの状況について検討した。
• 参考スコア（独自算出の注目度）: 28.978770069310276
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We investigate adversarial robustness of unsupervised Graph Contrastive Learning (GCL) against structural attacks. First, we provide a comprehensive empirical and theoretical analysis of existing attacks, revealing how and why they downgrade the performance of GCL. Inspired by our analytic results, we present a robust GCL framework that integrates a homophily-driven sanitation view, which can be learned jointly with contrastive learning. A key challenge this poses, however, is the non-differentiable nature of the sanitation objective. To address this challenge, we propose a series of techniques to enable gradient-based end-to-end robust GCL. Moreover, we develop a fully unsupervised hyperparameter tuning method which, unlike prior approaches, does not require knowledge of node labels. We conduct extensive experiments to evaluate the performance of our proposed model, GCHS (Graph Contrastive Learning with Homophily-driven Sanitation View), against two state of the art structural attacks on GCL. Our results demonstrate that GCHS consistently outperforms all state of the art baselines in terms of the quality of generated node embeddings as well as performance on two important downstream tasks.
• Abstract（参考訳）: 構造化攻撃に対する教師なしグラフコントラスト学習(GCL)の対向的堅牢性について検討する。 まず,既存の攻撃を包括的かつ理論的に分析し,gclの性能を低下させる方法と理由を明らかにする。 分析結果から着想を得たGCLフレームワークは,相反学習と共同で学習可能な,ホモフィズ駆動型衛生ビューを統合した堅牢なGCLフレームワークを提案する。 しかし、これが引き起こす重要な課題は、衛生目的の区別できない性質である。 この課題に対処するために,グラデーションに基づくエンドツーエンドロバストgclを実現する一連の手法を提案する。 さらに,従来の手法とは異なり,ノードラベルの知識を必要としない完全教師なしハイパーパラメータチューニング手法を開発した。 提案モデルであるGCHS (Graph Contrastive Learning with Homophily-driven Sanitation View) をGCLに対する2つの技術構造攻撃に対して評価するための広範な実験を行った。 以上の結果から,GCHSは生成ノードの埋め込みの質,および2つの重要な下流タスクのパフォーマンスにおいて,アートベースラインのすべての状態を一貫して上回ります。

関連論文リスト

• Towards Robust Recommendation via Decision Boundary-aware Graph Contrastive Learning [25.514007761856632]
  グラフコントラスト学習(GCL)は、データ間隔によるバイアスの低減効果により、レコメンデータシステムにおいて注目を集めている。 これらの手法は, 動的学習過程における意味的不変性と難易度とのバランスをとるのに苦慮していると論じる。 本稿では,モデル能力の進化に伴い,コントラッシブペアのセマンティック不変性を効果的に維持し,動的に適応する新しいGCLベースのレコメンデーションフレームワークRGCLを提案する。
  論文  参考訳（メタデータ） (2024-07-14T13:03:35Z)
• Overcoming Pitfalls in Graph Contrastive Learning Evaluation: Toward Comprehensive Benchmarks [60.82579717007963]
  本稿では,グラフコントラスト学習(GCL)手法の有効性,一貫性,全体的な能力をより正確に評価するために,拡張された評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-24T01:47:56Z)
• Adversarial Curriculum Graph Contrastive Learning with Pair-wise Augmentation [35.875976206333185]
  ACGCLは、グラフレベルの正と負のサンプルを制御可能な類似性を持たせるために、ペアワイズ増強の利点を生かしている。 ACGCLフレームワーク内では,新たな逆行カリキュラム学習手法が考案された。 ACGCLの総合評価は、よく知られた6つのベンチマークデータセットに関する広範な実験を通じて行われる。
  論文  参考訳（メタデータ） (2024-02-16T06:17:50Z)
• HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
  ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。 本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
  論文  参考訳（メタデータ） (2024-01-18T12:47:13Z)
• Graph-level Protein Representation Learning by Structure Knowledge Refinement [50.775264276189695]
  本稿では、教師なしの方法でグラフ全体の表現を学習することに焦点を当てる。 本稿では、データ構造を用いて、ペアが正か負かの確率を決定する構造知識精製(Structure Knowledge Refinement, SKR)という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-05T09:05:33Z)
• Rethinking and Simplifying Bootstrapped Graph Latents [48.76934123429186]
  グラフ・コントラッシブ・ラーニング(GCL)はグラフ自己教師型ラーニングにおいて代表的なパラダイムとして登場した。 SGCLは2つの繰り返しの出力を正のペアとして利用するシンプルで効果的なGCLフレームワークである。 我々は,SGCLがより少ないパラメータ,少ない時間と空間コスト,およびかなりの収束速度で競合性能を達成可能であることを示す。
  論文  参考訳（メタデータ） (2023-12-05T09:49:50Z)
• On the Adversarial Robustness of Graph Contrastive Learning Methods [9.675856264585278]
  本稿では,グラフコントラスト学習(GCL)モデルのロバスト性を評価するために,包括的評価ロバストネスプロトコルを提案する。 我々はこれらのモデルを,グラフ構造をターゲットとした適応的敵攻撃,特に回避シナリオに適用する。 本研究は,GCL手法の堅牢性に関する知見を提供することを目標とし,今後の研究方向の道を開くことを期待する。
  論文  参考訳（メタデータ） (2023-11-29T17:59:18Z)
• Certifiably Robust Graph Contrastive Learning [43.029361784095016]
  グラフコントラスト学習(GCL)における第1の堅牢なフレームワークを開発する。 まず,GCLのロバスト性を評価するための統一基準を提案する。 そこで我々は,任意のGCLモデルに対して確実なロバスト性を保証するため,新しい手法RES(Randomized Edgedrop Smoothing)を導入する。
  論文  参考訳（メタデータ） (2023-10-05T05:00:11Z)
• 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)
• Single-Pass Contrastive Learning Can Work for Both Homophilic and Heterophilic Graph [60.28340453547902]
  グラフコントラッシブ・ラーニング(GCL)技術は通常、コントラッシブ・ロスを構築するために単一のインスタンスに対して2つのフォワードパスを必要とする。 既存のGCLアプローチは、強力なパフォーマンス保証を提供していない。 我々はSingle-Pass Graph Contrastive Learning法(SP-GCL)を実装した。 経験的に、SP-GCLが学んだ機能は、計算オーバーヘッドを著しく少なくして、既存の強いベースラインにマッチまたは性能を向上することができる。
  論文  参考訳（メタデータ） (2022-11-20T07:18:56Z)
• 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)

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。