Fugu-MT 論文翻訳(概要): GPS: Graph Contrastive Learning via Multi-scale Augmented Views from Adversarial Pooling

論文の概要: GPS: Graph Contrastive Learning via Multi-scale Augmented Views from Adversarial Pooling

arxiv url: http://arxiv.org/abs/2401.16011v1
Date: Mon, 29 Jan 2024 10:00:53 GMT
ステータス: 処理完了
システム内更新日: 2024-01-30 15:13:41.376734
Title: GPS: Graph Contrastive Learning via Multi-scale Augmented Views from Adversarial Pooling
Title（参考訳）: GPS:マルチスケール拡張ビューによるグラフコントラスト学習
Authors: Wei Ju, Yiyang Gu, Zhengyang Mao, Ziyue Qiao, Yifang Qin, Xiao Luo, Hui Xiong, and Ming Zhang
Abstract要約: 自己教師付きグラフ表現学習は、バイオインフォマティクスやソーシャルネットワークなど、様々な分野において、最近かなりの可能性を秘めている。本稿では,これらの問題に対処するための新しいアプローチとして Graph Pooling ContraSt (GPS) を提案する。グラフプーリングは、冗長性の除去によってグラフを適応的に粗いものにすることができることから、グラフプーリングを再考し、それを活用して、マルチスケールのポジティブビューを自動的に生成する。
参考スコア（独自算出の注目度）: 23.450755275125577
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Self-supervised graph representation learning has recently shown considerable promise in a range of fields, including bioinformatics and social networks. A large number of graph contrastive learning approaches have shown promising performance for representation learning on graphs, which train models by maximizing agreement between original graphs and their augmented views (i.e., positive views). Unfortunately, these methods usually involve pre-defined augmentation strategies based on the knowledge of human experts. Moreover, these strategies may fail to generate challenging positive views to provide sufficient supervision signals. In this paper, we present a novel approach named Graph Pooling ContraSt (GPS) to address these issues. Motivated by the fact that graph pooling can adaptively coarsen the graph with the removal of redundancy, we rethink graph pooling and leverage it to automatically generate multi-scale positive views with varying emphasis on providing challenging positives and preserving semantics, i.e., strongly-augmented view and weakly-augmented view. Then, we incorporate both views into a joint contrastive learning framework with similarity learning and consistency learning, where our pooling module is adversarially trained with respect to the encoder for adversarial robustness. Experiments on twelve datasets on both graph classification and transfer learning tasks verify the superiority of the proposed method over its counterparts.
Abstract（参考訳）: 自己教師付きグラフ表現学習(self-supervised graph representation learning)は、バイオインフォマティクスやソーシャルネットワークなど、さまざまな分野で大きな期待を示している。グラフのコントラスト学習のアプローチの多くは、グラフ上の表現学習に有望なパフォーマンスを示しており、オリジナルグラフとその拡張ビュー(すなわちポジティブビュー)の一致を最大化することでモデルをトレーニングしている。残念ながら、これらの手法は通常、人間の専門家の知識に基づいた事前定義された拡張戦略を含む。さらに、これらの戦略は十分な監督信号を提供するために挑戦的なポジティブな見解を生み出さない可能性がある。本稿では,これらの問題に対処するための新しいアプローチであるGraph Pooling ContraSt(GPS)を提案する。グラフプーリングが冗長性を取り除き、グラフを適応的に粗いものにできるという事実に動機づけられ、グラフプーリングを再考し、挑戦的なポジティブなビューを提供し、セマンティクスを保存することを重視した多スケールのポジティブビューを自動的に生成する。そして,両視点を類似性学習と一貫性学習を併用した共同コントラスト学習フレームワークに組み込むことで,対向的ロバスト性のためのエンコーダに対して,プールモジュールを逆向きに訓練する。グラフ分類と移動学習の両タスクに関する12のデータセット実験により,提案手法の優位性を検証した。

関連論文リスト

Disentangled Generative Graph Representation Learning [51.59824683232925]
本稿では,自己教師型学習フレームワークであるDiGGR(Disentangled Generative Graph Representation Learning)を紹介する。潜伏要因を学習し、それをグラフマスクモデリングのガイドとして活用することを目的としている。 2つの異なるグラフ学習タスクのための11の公開データセットの実験は、DiGGRが従来よりも一貫して多くの自己教師付きメソッドを上回っていることを示している。
論文参考訳（メタデータ） (2024-08-24T05:13:02Z)
State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文参考訳（メタデータ） (2023-01-14T09:15:49Z)
Adversarial Graph Contrastive Learning with Information Regularization [51.14695794459399]
コントラスト学習はグラフ表現学習において有効な方法である。グラフ上のデータ拡張は、はるかに直感的ではなく、高品質のコントラスト的なサンプルを提供するのがずっと難しい。逆グラフ比較学習(Adversarial Graph Contrastive Learning, ARIEL)を提案する。さまざまな実世界のデータセット上でのノード分類タスクにおいて、現在のグラフのコントラスト学習方法よりも一貫して優れています。
論文参考訳（メタデータ） (2022-02-14T05:54:48Z)
Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
論文参考訳（メタデータ） (2022-02-07T08:04:59Z)
Learning Robust Representation through Graph Adversarial Contrastive Learning [6.332560610460623]
既存の研究では、グラフニューラルネットワーク(GNN)によって生成されたノード表現が、敵の攻撃に対して脆弱であることが示されている。本稿では,グラフ自己教師型学習に対数拡張を導入することにより,新しいグラフ適応型コントラスト学習フレームワーク(GraphACL)を提案する。
論文参考訳（メタデータ） (2022-01-31T07:07:51Z)
Unsupervised Graph Poisoning Attack via Contrastive Loss Back-propagation [18.671374133506838]
本稿では,グラフのコントラスト学習にラベルを頼らない,教師なし勾配に基づく新たな逆攻撃を提案する。我々の攻撃は教師なしベースライン攻撃よりも優れており、複数の下流タスクにおける教師なし攻撃と同等のパフォーマンスを持つ。
論文参考訳（メタデータ） (2022-01-20T03:32:21Z)
Dual Space Graph Contrastive Learning [82.81372024482202]
本研究では,新しいグラフコントラスト学習手法,すなわち textbfDual textbfSpace textbfGraph textbfContrastive (DSGC) Learningを提案する。両空間にはグラフデータを埋め込み空間に表現する独自の利点があるので、グラフコントラスト学習を用いて空間をブリッジし、双方の利点を活用することを期待する。
論文参考訳（メタデータ） (2022-01-19T04:10:29Z)
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)
Self-Supervised Graph Learning with Proximity-based Views and Channel Contrast [4.761137180081091]
グラフニューラルネットワーク(GNN)は、近傍の集約をコアコンポーネントとして使用し、近接ノード間の機能を滑らかにする。この問題に対処するため、我々は2つのグラフビューでグラフを強化し、ノードは最も類似した特徴や局所構造を持つものと直接リンクする。生成したビューと元のグラフをまたいだ表現の一致を最大化する手法を提案する。
論文参考訳（メタデータ） (2021-06-07T15:38:36Z)
Model-Agnostic Graph Regularization for Few-Shot Learning [60.64531995451357]
グラフ組み込み数ショット学習に関する包括的な研究を紹介します。本稿では,ラベル間のグラフ情報の組み込みによる影響をより深く理解できるグラフ正規化手法を提案する。提案手法は,Mini-ImageNetで最大2%,ImageNet-FSで6.7%の性能向上を実現する。
論文参考訳（メタデータ） (2021-02-14T05:28:13Z)

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。