Fugu-MT 論文翻訳(概要): Generative-Contrastive Heterogeneous Graph Neural Network

論文の概要: Generative-Contrastive Heterogeneous Graph Neural Network

arxiv url: http://arxiv.org/abs/2404.02810v3
Date: Sun, 04 May 2025 10:56:16 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-06 18:49:34.936482
Title: Generative-Contrastive Heterogeneous Graph Neural Network
Title（参考訳）: 生成コントラスト不均質グラフニューラルネット
Authors: Yu Wang, Lei Sang, Yi Zhang, Yiwen Zhang, Xindong Wu,
Abstract要約: 異種グラフ(HG)は、マルチタイプのノードとエッジを通じて、実世界の複雑な関係を効果的にモデル化する。コントラスト学習(CL)ベースのヘテロジニアスグラフニューラルネットワーク(HGNN)は、下流タスクにデータ拡張とコントラスト識別を活用できる大きな可能性を示している。我々はGC-HGNN(Generative-Contrastive Heterogeneous Graph Neural Network)を提案する。具体的には、CLに基づくパラダイムを強化する異種グラフ生成学習手法を提案する。
参考スコア（独自算出の注目度）: 17.889906784627904
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Heterogeneous Graphs (HGs) effectively model complex relationships in the real world through multi-type nodes and edges. In recent years, inspired by self-supervised learning (SSL), contrastive learning (CL)-based Heterogeneous Graphs Neural Networks (HGNNs) have shown great potential in utilizing data augmentation and contrastive discriminators for downstream tasks. However, data augmentation remains limited due to the graph data's integrity. Furthermore, the contrastive discriminators suffer from sampling bias and lack local heterogeneous information. To tackle the above limitations, we propose a novel Generative-Contrastive Heterogeneous Graph Neural Network (GC-HGNN). Specifically, we propose a heterogeneous graph generative learning method that enhances CL-based paradigm. This paradigm includes: 1) A contrastive view augmentation strategy using a masked autoencoder. 2) Position-aware and semantics-aware positive sample sampling strategy for generating hard negative samples. 3) A hierarchical contrastive learning strategy aimed at capturing local and global information. Furthermore, the hierarchical contrastive learning and sampling strategies aim to constitute an enhanced contrastive discriminator under the generative-contrastive perspective. Finally, we compare our model with seventeen baselines on eight real-world datasets. Our model outperforms the latest baselines on node classification and link prediction tasks.
Abstract（参考訳）: 異種グラフ(HG)は、マルチタイプのノードとエッジを通じて、実世界の複雑な関係を効果的にモデル化する。近年、自己教師付き学習(SSL)や、CLベースの異種グラフニューラルネットワーク(HGNN)に触発されて、下流タスクにデータ拡張とコントラッシブ・ディミネータを利用する大きな可能性を示している。しかし、グラフデータの整合性のため、データの増大は依然として限られている。さらに、対照的な判別器はサンプリングバイアスに悩まされ、局所的な異種情報を欠いている。上記の制約に対処するため,新たにGC-HGNN(Generative-Contrastive Heterogeneous Graph Neural Network)を提案する。具体的には、CLに基づくパラダイムを強化する異種グラフ生成学習手法を提案する。このパラダイムには以下のものがある。 1)マスク付きオートエンコーダを用いたコントラストビュー増強戦略 2) 硬質陰性試料の生成のための位置認識・意味認識陽性試料採取戦略 3)地域・グローバル情報の収集を目的とした階層的コントラスト学習戦略。さらに、階層的コントラスト学習とサンプリング戦略は、生成的コントラスト的視点の下で強化されたコントラスト的判別器を構成することを目的としている。最後に、我々のモデルを8つの実世界のデータセット上で17のベースラインと比較する。我々のモデルはノード分類とリンク予測タスクにおける最新のベースラインよりも優れています。

関連論文リスト

Data-Driven Self-Supervised Graph Representation Learning [0.0]
自己教師付きグラフ表現学習(英: Self-supervised graph representation learning, SSGRL)は、手動ラベリングの削減や回避に使用される表現学習パラダイムである。本稿では,グラフに符号化された信号から適切なグラフ拡張を自動的に学習する,新しいデータ駆動型SSGRL手法を提案する。ノード分類とグラフ特性予測に関する広範な実験を行う。
論文参考訳（メタデータ） (2024-12-24T10:04:19Z)
M2HGCL: Multi-Scale Meta-Path Integrated Heterogeneous Graph Contrastive Learning [16.391439666603578]
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。
論文参考訳（メタデータ） (2023-09-03T06:39:56Z)
Hierarchical Contrastive Learning Enhanced Heterogeneous Graph Neural Network [59.860534520941485]
ヘテロジニアスグラフニューラルネットワーク(HGNN)は、異種情報ネットワーク(HIN)を扱う能力に優れていた。近年,自己指導型学習は最もエキサイティングな学習パラダイムの1つとなり,ラベルがない場合に大きな可能性を示す。本稿では,自己教師型HGNNの問題点を考察し,HGNNのための新しいコントラスト学習機構であるHeCoを提案する。
論文参考訳（メタデータ） (2023-04-24T16:17:21Z)
LightGCL: Simple Yet Effective Graph Contrastive Learning for Recommendation [9.181689366185038]
グラフニューラルクラスタリングネットワーク(GNN)は、グラフベースのレコメンデータシステムのための強力な学習手法である。本稿では,単純なグラフコントラスト学習パラダイムであるLightGCLを提案する。
論文参考訳（メタデータ） (2023-02-16T10:16:21Z)
Coarse-to-Fine Contrastive Learning on Graphs [38.41992365090377]
ノード表現を自己管理的に学習するために、さまざまなグラフ拡張戦略が採用されている。我々は,異なるノード間の識別情報を確実に維持するために,自己評価パラダイムを導入する。各種ベンチマークデータセットの実験結果から,提案アルゴリズムの有効性を検証した。
論文参考訳（メタデータ） (2022-12-13T08:17:20Z)
GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
論文参考訳（メタデータ） (2022-12-07T10:19:39Z)
RHCO: A Relation-aware Heterogeneous Graph Neural Network with Contrastive Learning for Large-scale Graphs [26.191673964156585]
本稿では,大規模不均一グラフ表現学習のためのRelation-aware Heterogeneous Graph Neural Network with Contrastive Learning (RHCO)を提案する。 RHCOは最先端のモデルよりも優れたパフォーマンスを実現している。
論文参考訳（メタデータ） (2022-11-20T04:45:04Z)
ARIEL: Adversarial Graph Contrastive Learning [51.14695794459399]
ARIELは、ノードレベルとグラフレベルの両方の分類タスクにおいて、現在のグラフコントラスト学習法よりも一貫して優れている。 ARIELは敵の攻撃に対してより堅牢である。
論文参考訳（メタデータ） (2022-08-15T01:24:42Z)
Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
論文参考訳（メタデータ） (2022-06-06T14:26:34Z)
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)
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)
A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文参考訳（メタデータ） (2021-05-22T07:05:48Z)

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。