論文の概要: Local Structure-aware Graph Contrastive Representation Learning
- arxiv url: http://arxiv.org/abs/2308.03271v1
- Date: Mon, 7 Aug 2023 03:23:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-08 15:33:28.901702
- Title: Local Structure-aware Graph Contrastive Representation Learning
- Title（参考訳）: 局所構造対応グラフコントラスト表現学習
- Authors: Kai Yang, Yuan Liu, Zijuan Zhao, Peijin Ding, Wenqian Zhao
- Abstract要約: 複数のビューからノードの構造情報をモデル化するための局所構造対応グラフ比較表現学習法(LS-GCL)を提案する。
ローカルビューでは、各ターゲットノードのセマンティックサブグラフが共有GNNエンコーダに入力され、サブグラフレベルに埋め込まれたターゲットノードを取得する。
グローバルな視点では、元のグラフはノードの必要不可欠な意味情報を保存しているので、共有GNNエンコーダを利用して、グローバルなグラフレベルでターゲットノードの埋め込みを学習する。
- 参考スコア（独自算出の注目度）: 12.554113138406688
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Traditional Graph Neural Network (GNN), as a graph representation learning
method, is constrained by label information. However, Graph Contrastive
Learning (GCL) methods, which tackle the label problem effectively, mainly
focus on the feature information of the global graph or small subgraph
structure (e.g., the first-order neighborhood). In the paper, we propose a
Local Structure-aware Graph Contrastive representation Learning method (LS-GCL)
to model the structural information of nodes from multiple views. Specifically,
we construct the semantic subgraphs that are not limited to the first-order
neighbors. For the local view, the semantic subgraph of each target node is
input into a shared GNN encoder to obtain the target node embeddings at the
subgraph-level. Then, we use a pooling function to generate the subgraph-level
graph embeddings. For the global view, considering the original graph preserves
indispensable semantic information of nodes, we leverage the shared GNN encoder
to learn the target node embeddings at the global graph-level. The proposed
LS-GCL model is optimized to maximize the common information among similar
instances at three various perspectives through a multi-level contrastive loss
function. Experimental results on five datasets illustrate that our method
outperforms state-of-the-art graph representation learning approaches for both
node classification and link prediction tasks.
- Abstract（参考訳）: グラフ表現学習法として従来のグラフニューラルネットワーク(GNN)はラベル情報によって制約される。
しかし、ラベル問題に効果的に取り組むグラフコントラスト学習(GCL)手法は、主にグローバルグラフや小さなサブグラフ構造(例えば、一階の近傍)の特徴情報に焦点を当てている。
本稿では,複数のビューからノードの構造情報をモデル化する局所構造対応グラフ比較表現学習法(LS-GCL)を提案する。
具体的には,一階近傍に限定されない意味部分グラフを構築する。
ローカルビューでは、各ターゲットノードのセマンティックサブグラフが共有GNNエンコーダに入力され、サブグラフレベルに埋め込まれたターゲットノードを取得する。
次に、プーリング関数を用いてサブグラフレベルのグラフ埋め込みを生成する。
グローバルビューでは、元のグラフが不要なノードの意味情報を保存していることを考慮し、共有gnnエンコーダを利用して、グローバルグラフレベルでターゲットノードの埋め込みを学習する。
提案するLS-GCLモデルは,マルチレベルコントラスト損失関数を用いて,類似インスタンス間の共通情報を3つの視点で最大化するために最適化されている。
5つのデータセットに対する実験結果から,本手法はノード分類およびリンク予測タスクにおいて,最先端のグラフ表現学習手法よりも優れていた。
関連論文リスト
- Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。
モデルはGCNを適用するために初期グラフを事前に推定する。
一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
論文 参考訳（メタデータ） (2024-02-25T07:03:37Z) - Saliency-Aware Regularized Graph Neural Network [39.82009838086267]
グラフ分類のためのSAR-GNN(Saliency-Aware Regularized Graph Neural Network)を提案する。
まず,コンパクトなグラフ表現とノード特徴とのセマンティックな類似性を測定することで,グローバルノードの正当性を推定する。
そして、学習した塩分濃度分布を利用して、背骨の近傍集合を規則化する。
論文 参考訳（メタデータ） (2024-01-01T13:44:16Z) - Subgraph Networks Based Contrastive Learning [5.736011243152416]
グラフコントラスト学習(GCL)は、注釈付きデータ不足の問題を解決する。
既存のGCL手法の多くは、グラフ拡張戦略や相互情報推定操作の設計に重点を置いている。
サブグラフネットワークに基づくコントラスト学習(SGNCL)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） (2023-06-06T08:52:44Z) - Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。
クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。
GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
論文 参考訳（メタデータ） (2021-12-15T07:28:58Z) - SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。
まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。
次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。
最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
論文 参考訳（メタデータ） (2021-12-12T14:18:18Z) - Self-supervised Consensus Representation Learning for Attributed Graph [15.729417511103602]
グラフ表現学習に自己教師付き学習機構を導入する。
本稿では,新しい自己教師型コンセンサス表現学習フレームワークを提案する。
提案手法はトポロジグラフと特徴グラフの2つの視点からグラフを扱う。
論文 参考訳（メタデータ） (2021-08-10T07:53:09Z) - Distance-wise Graph Contrastive Learning [21.790413668252828]
コントラスト学習(CL)は、グラフベースの半教師付き学習(SSL)で非常に効果的です。
DwGCL(Distance-wise Graph Contrastive Learning)手法を2つの視点から提案します。
5つのベンチマークグラフデータセットに関する実験は、DwGCLが以前のGCLメソッドよりも明確な改善をもたらすことを示しています。
論文 参考訳（メタデータ） (2020-12-14T11:44:45Z) - Multi-Level Graph Convolutional Network with Automatic Graph Learning
for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。
空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。
MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文 参考訳（メタデータ） (2020-09-19T09:26:20Z) - Contrastive and Generative Graph Convolutional Networks for Graph-based
Semi-Supervised Learning [64.98816284854067]
グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。
本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-09-15T13:59:28Z) - Unsupervised Hierarchical Graph Representation Learning by Mutual
Information Maximization [8.14036521415919]
教師なしグラフ表現学習法,Unsupervised Hierarchical Graph Representation (UHGR)を提案する。
本手法は,「ローカル」表現と「グローバル」表現の相互情報の最大化に焦点をあてる。
その結果,提案手法は,いくつかのベンチマークにおいて,最先端の教師付き手法に匹敵する結果が得られることがわかった。
論文 参考訳（メタデータ） (2020-03-18T18:21:48Z) - Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。
推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。
4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
論文 参考訳（メタデータ） (2020-01-17T02:52:30Z)
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。