論文の概要: MUSE: Multi-View Contrastive Learning for Heterophilic Graphs
- arxiv url: http://arxiv.org/abs/2307.16026v1
- Date: Sat, 29 Jul 2023 16:54:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-01 18:06:28.763669
- Title: MUSE: Multi-View Contrastive Learning for Heterophilic Graphs
- Title（参考訳）: MUSE: 異種グラフのためのマルチビューコントラスト学習
- Authors: Mengyi Yuan, Minjie Chen, Xiang Li
- Abstract要約: 異種グラフ,すなわちMUSEに対するマルチビューコントラスト学習モデルを提案する。
本研究では,コントラスト学習により強化されたGNNを用いて,エゴノードとその近傍の情報を取得するための2つのビューを構築する。
我々は,ノード近傍の類似性の多様性を局所レベルとグローバルレベルの両方でモデル化するために,情報融合コントローラを用いる。
- 参考スコア（独自算出の注目度）: 4.409889336732851
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, self-supervised learning has emerged as a promising approach
in addressing the issues of label dependency and poor generalization
performance in traditional GNNs. However, existing self-supervised methods have
limited effectiveness on heterophilic graphs, due to the homophily assumption
that results in similar node representations for connected nodes. In this work,
we propose a multi-view contrastive learning model for heterophilic graphs,
namely, MUSE. Specifically, we construct two views to capture the information
of the ego node and its neighborhood by GNNs enhanced with contrastive
learning, respectively. Then we integrate the information from these two views
to fuse the node representations. Fusion contrast is utilized to enhance the
effectiveness of fused node representations. Further, considering that the
influence of neighboring contextual information on information fusion may vary
across different ego nodes, we employ an information fusion controller to model
the diversity of node-neighborhood similarity at both the local and global
levels. Finally, an alternating training scheme is adopted to ensure that
unsupervised node representation learning and information fusion controller can
mutually reinforce each other. We conduct extensive experiments to evaluate the
performance of MUSE on 9 benchmark datasets. Our results show the effectiveness
of MUSE on both node classification and clustering tasks.
- Abstract（参考訳）: 近年,従来のGNNにおけるラベル依存や一般化性能の低下に対処する上で,自己教師型学習が有望なアプローチとして出現している。
しかし、既存の自己教師付き手法は、連結ノードの類似ノード表現を生じるホモフィリー仮定のため、疎グラフに対して有効性が限られている。
本研究では,異種グラフ,すなわちMUSEに対するマルチビューコントラスト学習モデルを提案する。
具体的には,コントラスト学習により強化されたGNNを用いて,エゴノードとその近傍の情報を取得する2つのビューを構築する。
そして、これらの2つのビューから情報を統合してノード表現を融合します。
融合コントラストは、融合ノード表現の有効性を高めるために利用される。
さらに,情報融合における隣接文脈情報の影響が,異なるegoノード間で異なる可能性があることを考慮し,局所的およびグローバルレベルでのノード間類似性の多様性をモデル化するために情報融合コントローラを用いる。
最後に、教師なしノード表現学習と情報融合制御器の相互強化を保証するための交互学習方式を採用する。
9つのベンチマークデータセット上で,MUSEの性能を評価するために広範囲な実験を行った。
本研究は,MUSEがノード分類およびクラスタリングタスクに与える影響を示す。
関連論文リスト
- Contrastive Graph Representation Learning with Adversarial Cross-view Reconstruction and Information Bottleneck [5.707725771108279]
本稿では,CGRL (Contrastive Graph Representation Learning with Adversarial Cross-view Reconstruction and Information Bottleneck) を用いたノード分類手法を提案する。
提案手法は既存の最先端アルゴリズムを著しく上回っている。
論文 参考訳（メタデータ） (2024-08-01T05:45:21Z) - Learn from Heterophily: Heterophilous Information-enhanced Graph Neural Network [4.078409998614025]
論理的に異なるラベルを持つノードは意味論的意味に基づいて接続される傾向があるが、グラフニューラルネットワーク(GNN)は、しばしば最適以下の性能を示す。
ヘテロフィリーに固有の意味情報をグラフ学習において効果的に活用できることを示す。
ノード分布を利用して異種情報を統合する新しいグラフ構造を構築する革新的な手法であるHiGNNを提案する。
論文 参考訳（メタデータ） (2024-03-26T03:29:42Z) - Breaking the Entanglement of Homophily and Heterophily in
Semi-supervised Node Classification [25.831508778029097]
統計的観点から,ノードプロファイルとトポロジの関係を定量化するAMUDを提案する。
また、AMUDのための新しい有向グラフ学習パラダイムとしてADPAを提案する。
論文 参考訳（メタデータ） (2023-12-07T07:54:11Z) - LSGNN: Towards General Graph Neural Network in Node Classification by
Local Similarity [59.41119013018377]
本稿では,ローカル類似性(LocalSim)を用いて,プラグイン・アンド・プレイモジュールとしても機能するノードレベルの重み付き融合を学習する。
そこで本研究では,より情報性の高いマルチホップ情報を抽出するための,新規かつ効率的な初期残留差分接続(IRDC)を提案する。
提案手法,すなわちローカル類似グラフニューラルネットワーク(LSGNN)は,ホモ親和性グラフとヘテロ親和性グラフの両方において,同等あるいは優れた最先端性能を提供できる。
論文 参考訳（メタデータ） (2023-05-07T09:06:11Z) - Hierarchical Contrastive Learning Enhanced Heterogeneous Graph Neural
Network [59.860534520941485]
ヘテロジニアスグラフニューラルネットワーク(HGNN)は、異種情報ネットワーク(HIN)を扱う能力に優れていた。
近年,自己指導型学習は最もエキサイティングな学習パラダイムの1つとなり,ラベルがない場合に大きな可能性を示す。
本稿では,自己教師型HGNNの問題点を考察し,HGNNのための新しいコントラスト学習機構であるHeCoを提案する。
論文 参考訳（メタデータ） (2023-04-24T16:17:21Z) - STERLING: Synergistic Representation Learning on Bipartite Graphs [78.86064828220613]
二部グラフ表現学習の基本的な課題は、ノードの埋め込みを抽出する方法である。
最近の二部グラフSSL法は、正ノード対と負ノード対を識別することによって埋め込みを学習する対照的な学習に基づいている。
負のノードペアを持たないノード埋め込みを学習するための新しい相乗的表現学習モデル(STERling)を提案する。
論文 参考訳（メタデータ） (2023-01-25T03:21:42Z) - Interpolation-based Correlation Reduction Network for Semi-Supervised
Graph Learning [49.94816548023729]
補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。
この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
論文 参考訳（メタデータ） (2022-06-06T14:26:34Z) - Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。
グラフが現在の勾配を混合する能力を定量化する計量法を提案する。
そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
論文 参考訳（メタデータ） (2022-04-13T15:54:35Z) - Self-supervised Graph Learning for Recommendation [69.98671289138694]
ユーザ・イテムグラフを用いた自己教師型学習を推奨する。
補助的自己監督タスクは、自己識別によるノード表現学習を強化する。
3つのベンチマークデータセットに関する実証的研究は、SGLの有効性を示す。
論文 参考訳（メタデータ） (2020-10-21T06:35:26Z)
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。