論文の概要: Unsupervised Multiplex Graph Learning with Complementary and Consistent
Information
- arxiv url: http://arxiv.org/abs/2308.01606v1
- Date: Thu, 3 Aug 2023 08:24:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-04 14:47:47.411712
- Title: Unsupervised Multiplex Graph Learning with Complementary and Consistent
Information
- Title(参考訳): 補完情報と一貫性情報を用いた教師なし多重グラフ学習
- Authors: Liang Peng and Xin Wang and Xiaofeng Zhu
- Abstract要約: 非教師付き多重グラフ学習(UMGL)は、下流の異なるタスクに対して大きな効果を発揮することが示されている。
従来の手法は通常、実用上の問題、すなわちサンプル外問題やノイズ問題を見落としている。
本稿では,相補的情報と一貫した情報の両方を効果的かつ効率的に探索する手法を提案する。
- 参考スコア(独自算出の注目度): 20.340977728674698
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unsupervised multiplex graph learning (UMGL) has been shown to achieve
significant effectiveness for different downstream tasks by exploring both
complementary information and consistent information among multiple graphs.
However, previous methods usually overlook the issues in practical
applications, i.e., the out-of-sample issue and the noise issue. To address the
above issues, in this paper, we propose an effective and efficient UMGL method
to explore both complementary and consistent information. To do this, our
method employs multiple MLP encoders rather than graph convolutional network
(GCN) to conduct representation learning with two constraints, i.e., preserving
the local graph structure among nodes to handle the out-of-sample issue, and
maximizing the correlation of multiple node representations to handle the noise
issue. Comprehensive experiments demonstrate that our proposed method achieves
superior effectiveness and efficiency over the comparison methods and
effectively tackles those two issues. Code is available at
https://github.com/LarryUESTC/CoCoMG.
- Abstract(参考訳): 非教師付き多重グラフ学習(UMGL)は、複数のグラフ間の相補的情報と一貫した情報の両方を探索することにより、異なる下流タスクに対して有意な効果が得られた。
しかし、従来の手法は通常、実用上の問題、すなわちサンプル外問題とノイズ問題を見落としている。
そこで本稿では,補完的情報と一貫性のある情報の両方を探索する,効果的かつ効率的なUMGL手法を提案する。
そこで本手法では,GCN(Graph Convolutional Network, グラフ畳み込みネットワーク)ではなく,複数のMPPエンコーダを用いて2つの制約で表現学習を行う。
総合的な実験により,提案手法は比較法よりも優れた効率と効率を実現し,これらの2つの課題に効果的に対処できることを示した。
コードはhttps://github.com/LarryUESTC/CoCoMGで入手できる。
関連論文リスト
- Scalable Deep Metric Learning on Attributed Graphs [10.092560681589578]
本研究では,深度測定と非偏差学習を併用したグラフ埋め込み手法を提案する。
マルチクラス損失関数に基づいて、半教師なし学習のためのDMTと教師なしケースのためのDMAT-iという2つのアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-11-20T03:34:31Z) - InstructG2I: Synthesizing Images from Multimodal Attributed Graphs [50.852150521561676]
InstructG2Iと呼ばれるグラフ文脈条件拡散モデルを提案する。
InstructG2Iはまずグラフ構造とマルチモーダル情報を利用して情報的隣人サンプリングを行う。
Graph-QFormerエンコーダは、グラフノードをグラフプロンプトの補助セットに適応的に符号化し、デノナイジングプロセスを導く。
論文 参考訳(メタデータ) (2024-10-09T17:56:15Z) - Beyond Redundancy: Information-aware Unsupervised Multiplex Graph
Structure Learning [12.138893216674457]
Unsupervised Multiplex Graph Learning (UMGL) は、手動ラベリングなしで様々なエッジタイプのノード表現を学習することを目的としている。
本稿では,複数のグラフから融合グラフを教師なしで学習する,より現実的で困難なタスクに焦点を当てる。
具体的には,提案する情報対応Unsupervised Multiplex Graph Fusion framework (InfoMGF) は,無関係ノイズを除去するためにグラフ構造を改良する。
論文 参考訳(メタデータ) (2024-09-25T22:00:26Z) - 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) - Learning Strong Graph Neural Networks with Weak Information [64.64996100343602]
我々は、弱い情報(GLWI)を用いたグラフ学習問題に対する原則的アプローチを開発する。
非完全構造を持つ入力グラフ上で長距離情報伝搬を行うデュアルチャネルGNNフレームワークであるD$2$PTを提案するが、グローバルな意味的類似性を符号化するグローバルグラフも提案する。
論文 参考訳(メタデータ) (2023-05-29T04:51:09Z) - 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) - GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。
本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
論文 参考訳(メタデータ) (2022-03-24T02:58:36Z) - Multiple Graph Learning for Scalable Multi-view Clustering [26.846642220480863]
少数のアンカー点とテンソルシャッテンp-ノルム最小化による効率的な多重グラフ学習モデルを提案する。
具体的には、各ビューに対してアンカーグラフを用いて、隠蔽かつトラクタブルな大きなグラフを構築する。
本研究では,データサイズと線形にスケールする効率的なアルゴリズムを開発し,提案したモデルを解く。
論文 参考訳(メタデータ) (2021-06-29T13:10:56Z) - Learnable Graph Matching: Incorporating Graph Partitioning with Deep
Feature Learning for Multiple Object Tracking [58.30147362745852]
フレーム間のデータアソシエーションは、Multiple Object Tracking(MOT)タスクの中核にある。
既存の手法は、主にトラックレットとフレーム内検出の間のコンテキスト情報を無視する。
そこで本研究では,学習可能なグラフマッチング手法を提案する。
論文 参考訳(メタデータ) (2021-03-30T08:58:45Z)
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。