論文の概要: Robust Graph Contrastive Learning with Information Restoration

• arxiv url: http://arxiv.org/abs/2307.12555v3
• Date: Fri, 22 Aug 2025 07:13:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 14:39:45.023261
• Title: Robust Graph Contrastive Learning with Information Restoration
• Title（参考訳）: 情報復元によるロバストグラフコントラスト学習
• Authors: Yulin Zhu, Xing Ai, Yevgeniy Vorobeychik, Kai Zhou,
• Abstract要約: 本稿では,グラフ構造攻撃によるグラフコントラスト学習(GCL)フレームワークに対する有害な影響について検討する。 この理論的な洞察に感化され、我々は学習可能な衛生ビューを備えた頑健なグラフコントラスト学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 32.990253155612386
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The graph contrastive learning (GCL) framework has gained remarkable achievements in graph representation learning. However, similar to graph neural networks (GNNs), GCL models are susceptible to graph structural attacks. As an unsupervised method, GCL faces greater challenges in defending against adversarial attacks. Furthermore, there has been limited research on enhancing the robustness of GCL. To thoroughly explore the failure of GCL on the poisoned graphs, we investigate the detrimental effects of graph structural attacks against the GCL framework. We discover that, in addition to the conventional observation that graph structural attacks tend to connect dissimilar node pairs, these attacks also diminish the mutual information between the graph and its representations from an information-theoretical perspective, which is the cornerstone of the high-quality node embeddings for GCL. Motivated by this theoretical insight, we propose a robust graph contrastive learning framework with a learnable sanitation view that endeavors to sanitize the augmented graphs by restoring the diminished mutual information caused by the structural attacks. Additionally, we design a fully unsupervised tuning strategy to tune the hyperparameters without accessing the label information, which strictly coincides with the defender's knowledge. Extensive experiments demonstrate the effectiveness and efficiency of our proposed method compared to competitive baselines.
• Abstract（参考訳）: グラフコントラスト学習(GCL)フレームワークは,グラフ表現学習において顕著な成果を上げている。 しかし、グラフニューラルネットワーク(GNN)と同様に、GCLモデルはグラフ構造攻撃の影響を受けやすい。 教師なしの方法として、GCLは敵の攻撃に対する防御においてより大きな課題に直面している。 さらに,GCLの堅牢性向上に関する研究も限られている。 毒性グラフ上でのGCLの故障を徹底的に調査するため,GCLフレームワークに対するグラフ構造攻撃による有害な影響について検討する。 これらの攻撃は,グラフ構造攻撃が異種ノード対を接続する傾向にあるという従来の観測に加えて,GCLの高品質ノード埋め込みの基礎となる情報理論の観点から,グラフと表現間の相互情報を減少させる。 この理論的洞察に感化されて、構造的攻撃による相互情報の減少を回復させることにより、拡張グラフの衛生化を図った、学習可能な衛生ビューを備えた頑健なグラフコントラスト学習フレームワークを提案する。 さらに,ラベル情報にアクセスせずにハイパーパラメータをチューニングするための,完全に教師なしのチューニング戦略を設計する。 実験の結果,提案手法の有効性と有効性について比較検討した。

関連論文リスト

• Khan-GCL: Kolmogorov-Arnold Network Based Graph Contrastive Learning with Hard Negatives [3.440313042843115]
  Khan-GCL は Kolmogorov-Arnold Network (KAN) を GCL エンコーダアーキテクチャに統合する新しいフレームワークである。 我々は、KAN係数パラメータ内に埋め込まれたリッチな情報を利用して、2つの新しい重要な特徴識別技術を開発した。 これらの手法により、各グラフ表現に対して意味論的に有意な強陰性サンプルを生成することができる。
  論文  参考訳（メタデータ） (2025-05-21T04:54:18Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• 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。