論文の概要: Contrastive Representation Learning Based on Multiple Node-centered Subgraphs

• arxiv url: http://arxiv.org/abs/2308.16441v1
• Date: Thu, 31 Aug 2023 04:04:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-01 17:51:02.339548
• Title: Contrastive Representation Learning Based on Multiple Node-centered Subgraphs
• Title（参考訳）: 複数のノード中心部分グラフに基づくコントラスト表現学習
• Authors: Dong Li, Wenjun Wang, Minglai Shao, Chen Zhao
• Abstract要約: 1つのノードは直感的にグラフ全体から複数のノード中心のサブグラフを持つ。 本稿では,グラフ上のノード表現を自己教師付きで学習するための,複数のノード中心部分グラフのコントラスト表現学習法を提案する。
• 参考スコア（独自算出の注目度）: 11.416941835869649
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As the basic element of graph-structured data, node has been recognized as the main object of study in graph representation learning. A single node intuitively has multiple node-centered subgraphs from the whole graph (e.g., one person in a social network has multiple social circles based on his different relationships). We study this intuition under the framework of graph contrastive learning, and propose a multiple node-centered subgraphs contrastive representation learning method to learn node representation on graphs in a self-supervised way. Specifically, we carefully design a series of node-centered regional subgraphs of the central node. Then, the mutual information between different subgraphs of the same node is maximized by contrastive loss. Experiments on various real-world datasets and different downstream tasks demonstrate that our model has achieved state-of-the-art results.
• Abstract（参考訳）: グラフ構造データの基本的な要素として、ノードはグラフ表現学習の主要な研究対象として認識されている。 単一のノードはグラフ全体から複数のノード中心のサブグラフを直感的に持つ(例えば、ソーシャルネットワークの1人は、異なる関係に基づいて複数のソーシャルサークルを持つ)。 本稿では,この直観をグラフのコントラスト学習の枠組みの下で研究し,グラフ上のノード表現を自己管理的に学習するためのノード中心のコントラスト表現学習法を提案する。 具体的には,ノード中心の地域サブグラフを注意深く設計する。 そして、コントラスト損失により、同一ノードの異なるサブグラフ間の相互情報を最大化する。 様々な実世界のデータセットと異なる下流タスクの実験は、我々のモデルが最先端の結果を得たことを示している。

関連論文リスト

• Federated Graph Semantic and Structural Learning [54.97668931176513]
  本稿では,ノードレベルのセマンティクスとグラフレベルの構造の両方によって局所的なクライアントの歪みがもたらされることを示す。 構造的グラフニューラルネットワークは、固有の隣接関係のため、隣人に類似性を持っていると仮定する。 我々は、隣接関係を類似度分布に変換し、グローバルモデルを利用して関係知識を局所モデルに蒸留する。
  論文  参考訳（メタデータ） (2024-06-27T07:08:28Z)
• 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)
• CGMN: A Contrastive Graph Matching Network for Self-Supervised Graph Similarity Learning [65.1042892570989]
  自己教師付きグラフ類似性学習のためのコントラストグラフマッチングネットワーク(CGMN)を提案する。 我々は,効率的なノード表現学習のために,クロスビューインタラクションとクロスグラフインタラクションという2つの戦略を用いる。 我々はノード表現をグラフ類似性計算のためのプール演算によりグラフレベル表現に変換する。
  論文  参考訳（メタデータ） (2022-05-30T13:20:26Z)
• Learning Sparse Graphs with a Core-periphery Structure [14.112444998191698]
  本稿では,コア周辺構造ネットワークに関連するデータ生成モデルを提案する。 ネットワークのコア部分における密接な(疎い)接続を誘導するスパースグラフとニューダルコアスコアを推論する。
  論文  参考訳（メタデータ） (2021-10-08T10:41:30Z)
• Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
  本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。 クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
  論文  参考訳（メタデータ） (2021-09-24T08:01:23Z)
• Reasoning Graph Networks for Kinship Verification: from Star-shaped to Hierarchical [85.0376670244522]
  階層型推論グラフネットワークの学習による顔の親和性検証の問題点について検討する。 より強力で柔軟なキャパシティを利用するために,星型推論グラフネットワーク(S-RGN)を開発した。 また、より強力で柔軟なキャパシティを利用する階層型推論グラフネットワーク(H-RGN)も開発しています。
  論文  参考訳（メタデータ） (2021-09-06T03:16:56Z)
• Cross-Network Learning with Partially Aligned Graph Convolutional Networks [21.458260469446863]
  モデル間のノード表現を学習するために,部分整列グラフ畳み込みネットワークを提案する。 実世界の知識グラフと協調ネットワークの実験は,提案手法の優れた性能を示す。
  論文  参考訳（メタデータ） (2021-06-03T04:07:26Z)
• COLOGNE: Coordinated Local Graph Neighborhood Sampling [1.6498361958317633]
  グラフノードのような個別の未順序オブジェクトを実数値ベクトルで置き換えることは、グラフデータから学ぶための多くのアプローチの中心である。 ノードベクトル表現の座標がグラフノードであるような離散ノード埋め込みを学習する問題に対処する。 これにより、ノードにもともと存在するすべての属性が保存されているため、グラフの解釈可能な機械学習アルゴリズムを設計する扉が開く。
  論文  参考訳（メタデータ） (2021-02-09T11:39:06Z)
• Spectral Embedding of Graph Networks [76.27138343125985]
  ローカルノードの類似性と接続性、グローバル構造をトレードオフする教師なしグラフ埋め込みを導入する。 埋め込みは一般化されたグラフ Laplacian に基づいており、固有ベクトルは1つの表現においてネットワーク構造と近傍近傍の両方をコンパクトにキャプチャする。
  論文  参考訳（メタデータ） (2020-09-30T04:59:10Z)
• Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
  グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。 標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。 総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-08T19:48:19Z)

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。