論文の概要: M2HGCL: Multi-Scale Meta-Path Integrated Heterogeneous Graph Contrastive Learning

• arxiv url: http://arxiv.org/abs/2309.01101v1
• Date: Sun, 3 Sep 2023 06:39:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-06 21:34:42.147802
• Title: M2HGCL: Multi-Scale Meta-Path Integrated Heterogeneous Graph Contrastive Learning
• Title（参考訳）: M2HGCL:マルチスケールメタパス統合異種グラフコントラスト学習
• Authors: Yuanyuan Guo, Yu Xia, Rui Wang, Rongcheng Duan, Lu Li, Jiangmeng Li
• Abstract要約: マルチスケールなメタパス統合ヘテロジニアスグラフコントラスト学習(M2HGCL)モデルを提案する。 具体的には、メタパスを拡大し、直接的な隣接情報、初期メタパス隣情報、拡張されたメタパス隣情報とを共同で集約する。 3つの実世界のデータセットに関する広範な実験を通して、M2HGCLが現在の最先端のベースラインモデルより優れていることを示す。
• 参考スコア（独自算出の注目度）: 16.391439666603578
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inspired by the successful application of contrastive learning on graphs, researchers attempt to impose graph contrastive learning approaches on heterogeneous information networks. Orthogonal to homogeneous graphs, the types of nodes and edges in heterogeneous graphs are diverse so that specialized graph contrastive learning methods are required. Most existing methods for heterogeneous graph contrastive learning are implemented by transforming heterogeneous graphs into homogeneous graphs, which may lead to ramifications that the valuable information carried by non-target nodes is undermined thereby exacerbating the performance of contrastive learning models. Additionally, current heterogeneous graph contrastive learning methods are mainly based on initial meta-paths given by the dataset, yet according to our deep-going exploration, we derive empirical conclusions: only initial meta-paths cannot contain sufficiently discriminative information; and various types of meta-paths can effectively promote the performance of heterogeneous graph contrastive learning methods. To this end, we propose a new multi-scale meta-path integrated heterogeneous graph contrastive learning (M2HGCL) model, which discards the conventional heterogeneity-homogeneity transformation and performs the graph contrastive learning in a joint manner. Specifically, we expand the meta-paths and jointly aggregate the direct neighbor information, the initial meta-path neighbor information and the expanded meta-path neighbor information to sufficiently capture discriminative information. A specific positive sampling strategy is further imposed to remedy the intrinsic deficiency of contrastive learning, i.e., the hard negative sample sampling issue. Through extensive experiments on three real-world datasets, we demonstrate that M2HGCL outperforms the current state-of-the-art baseline models.
• Abstract（参考訳）: グラフへのコントラスト学習の成功に触発されて、研究者は異種情報ネットワークにグラフコントラスト学習アプローチを課そうとした。 均質グラフと直交して、異質グラフのノードやエッジの種類は多様であり、特殊なグラフのコントラスト学習方法が必要となる。 既存のヘテロジニアスグラフのコントラスト学習法は、ヘテロジニアスグラフを均質グラフに変換することによって実装されており、非対象ノードが持つ貴重な情報が弱められ、コントラスト学習モデルの性能が悪化する可能性がある。 さらに、現在の異種グラフコントラスト学習法は主にデータセットが与える初期メタパスに基づいているが、本研究の深層調査では、初期メタパスだけが十分な識別情報を含まないという経験的結論を導き、異種グラフコントラスト学習法の性能を効果的に向上させることができる。 そこで本研究では, 従来の不均質相同性変換を廃止し, グラフ相異性学習を共同で行うマルチスケールメタパス統合不均一性グラフコントラスト学習(m2hgcl)モデルを提案する。 具体的には、メタパスを拡大し、直接隣接情報、初期メタパス隣情報、拡張メタパス隣情報を共同で集約し、識別情報を十分に取得する。 コントラスト学習の本態的な欠如、すなわちハードネガティブサンプルサンプリング問題を治療するために、より具体的な正のサンプリング戦略が課せられる。 3つの実世界のデータセットに関する広範な実験を通して、M2HGCLが現在の最先端のベースラインモデルより優れていることを示す。

関連論文リスト

• LAMP: Learnable Meta-Path Guided Adversarial Contrastive Learning for Heterogeneous Graphs [22.322402072526927]
  Heterogeneous Graph Contrastive Learning (HGCL)は通常、事前に定義されたメタパスを必要とする。 textsfLAMPは様々なメタパスのサブグラフを統一的で安定した構造に統合する。 textsfLAMPは、精度と堅牢性の観点から、既存の最先端の教師なしモデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-09-10T08:27:39Z)
• The Heterophilic Graph Learning Handbook: Benchmarks, Models, Theoretical Analysis, Applications and Challenges [101.83124435649358]
  ホモフィリ原理では、同じラベルや類似属性を持つieノードが接続される可能性が高い。 最近の研究で、GNNのパフォーマンスとNNのパフォーマンスが満足できない非自明なデータセットが特定されている。
  論文  参考訳（メタデータ） (2024-07-12T18:04:32Z)
• 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)
• Heterogeneous Graph Contrastive Multi-view Learning [11.489983916543805]
  グラフデータセット上での識別ノード表現を学習するために,グラフコントラスト学習(GCL)が開発された。 本稿では,HGCML(Heterogeneous Graph Contrastive Multi-view Learning)モデルを提案する。 HGCMLは、5つの実世界のベンチマークデータセットにおける最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2022-10-01T10:53:48Z)
• Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
  本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-25T03:54:53Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• Cross-view Self-Supervised Learning on Heterogeneous Graph Neural Network via Bootstrapping [0.0]
  不均一グラフニューラルネットワークは、優れた能力を持つ異種グラフの情報を表現することができる。 本稿では,多数のペアを生成することなく優れた表現を生成できるシステムを提案する。 提案モデルは,様々な実世界のデータセットにおいて,他の手法よりも最先端の性能を示した。
  論文  参考訳（メタデータ） (2022-01-10T13:36:05Z)
• 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)
• Weakly-supervised Graph Meta-learning for Few-shot Node Classification [53.36828125138149]
  新しいグラフメタ学習フレームワーク - Graph Hallucination Networks (Meta-GHN) を提案する。 新たなロバストネス強化エピソードトレーニングに基づいて、Meta-GHNは、弱いラベル付きデータからクリーンノード表現を幻覚させるメタ学習を行う。 大規模な実験は、既存のグラフメタ学習研究よりもMeta-GHNの方が優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-12T22:22:10Z)
• Hybrid Micro/Macro Level Convolution for Heterogeneous Graph Learning [45.14314180743549]
  不均一グラフは、各グラフが複数の種類のノードとエッジから構成される現実的なシナリオで広く普及する。 既存のグラフ畳み込みアプローチのほとんどは均質グラフ用に設計されており、したがって異種グラフを扱うことはできない。 ヘテロジニアスグラフ上の包括的ノード表現を学習するための新しいヘテロジニアスグラフ畳み込み手法であるHGConvを提案する。
  論文  参考訳（メタデータ） (2020-12-29T12:12:37Z)

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。