論文の概要: Cross-View Graph Consistency Learning for Invariant Graph Representations

• arxiv url: http://arxiv.org/abs/2311.11821v1
• Date: Mon, 20 Nov 2023 14:58:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-21 18:27:27.937290
• Title: Cross-View Graph Consistency Learning for Invariant Graph Representations
• Title（参考訳）: 不変グラフ表現のためのクロスビューグラフ一貫性学習
• Authors: Jie Chen and Zhiming Li and Hua Mao and Wai Lok Woo and Xi Peng
• Abstract要約: リンク予測のための不変グラフ表現を学習するクロスビューグラフ一貫性学習(CGCL)法を提案する。 本稿では,CGCL法の有効性を実証的かつ実験的に実証する。
• 参考スコア（独自算出の注目度）: 16.007232280413806
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph representation learning is fundamental for analyzing graph-structured data. Exploring invariant graph representations remains a challenge for most existing graph representation learning methods. In this paper, we propose a cross-view graph consistency learning (CGCL) method that learns invariant graph representations for link prediction. First, two complementary augmented views are derived from an incomplete graph structure through a bidirectional graph structure augmentation scheme. This augmentation scheme mitigates the potential information loss that is commonly associated with various data augmentation techniques involving raw graph data, such as edge perturbation, node removal, and attribute masking. Second, we propose a CGCL model that can learn invariant graph representations. A cross-view training scheme is proposed to train the proposed CGCL model. This scheme attempts to maximize the consistency information between one augmented view and the graph structure reconstructed from the other augmented view. Furthermore, we offer a comprehensive theoretical CGCL analysis. This paper empirically and experimentally demonstrates the effectiveness of the proposed CGCL method, achieving competitive results on graph datasets in comparisons with several state-of-the-art algorithms.
• Abstract（参考訳）: グラフ表現学習は、グラフ構造データの解析に基本である。 不変グラフ表現を探索することは、既存のグラフ表現学習法の多くにとって課題である。 本稿では,リンク予測のための不変グラフ表現を学習するクロスビューグラフ一貫性学習(CGCL)手法を提案する。 まず、2つの補完的な拡張ビューを双方向グラフ構造拡張スキームを通して不完全グラフ構造から導出する。 この拡張スキームは、エッジ摂動、ノード除去、属性マスキングなどの生グラフデータを含む様々なデータ拡張技術に共通する潜在的な情報損失を軽減する。 次に,不変グラフ表現を学習可能なCGCLモデルを提案する。 提案したCGCLモデルをトレーニングするためのクロスビュートレーニングスキームを提案する。 このスキームは、ある拡張ビューと他の拡張ビューから再構成されたグラフ構造との間の一貫性情報を最大化する。 さらに、包括的な理論CGCL分析も提供する。 本稿では,提案手法の有効性を実験的に実証し,いくつかの最先端アルゴリズムと比較し,グラフデータセット上での競合結果を得る。

関連論文リスト

• Dual-Optimized Adaptive Graph Reconstruction for Multi-View Graph Clustering [19.419832637206138]
  本稿では, DOAGC という2つの最適化された適応グラフ再構成に基づく新しいマルチビューグラフクラスタリング手法を提案する。 主に、従来のGNNの利点を維持しつつ、異種グラフ問題に対処するために、従来のGNNに適合したグラフ構造を再構築することを目的としている。
  論文  参考訳（メタデータ） (2024-10-30T12:50:21Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• 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)
• Towards Graph Self-Supervised Learning with Contrastive Adjusted Zooming [48.99614465020678]
  本稿では,グラフコントラスト適応ズームによる自己教師付きグラフ表現学習アルゴリズムを提案する。 このメカニズムにより、G-Zoomはグラフから複数のスケールから自己超越信号を探索して抽出することができる。 我々は,実世界のデータセットに関する広範な実験を行い,提案したモデルが常に最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-20T22:45:53Z)
• 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)
• 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)
• Diversified Multiscale Graph Learning with Graph Self-Correction [55.43696999424127]
  2つのコア成分を組み込んだ多次元グラフ学習モデルを提案します。 情報埋め込みグラフを生成するグラフ自己補正(GSC)機構、および入力グラフの包括的な特性評価を達成するために多様性ブースト正規化(DBR)。 一般的なグラフ分類ベンチマークの実験は、提案されたGSCメカニズムが最先端のグラフプーリング方法よりも大幅に改善されることを示しています。
  論文  参考訳（メタデータ） (2021-03-17T16:22:24Z)
• Graph Contrastive Learning with Augmentations [109.23158429991298]
  グラフデータの教師なし表現を学習するためのグラフコントラスト学習(GraphCL)フレームワークを提案する。 我々のフレームワークは、最先端の手法と比較して、類似またはより良い一般化可能性、転送可能性、堅牢性のグラフ表現を作成できることを示す。
  論文  参考訳（メタデータ） (2020-10-22T20:13:43Z)

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。