論文の概要: Community-Invariant Graph Contrastive Learning

• arxiv url: http://arxiv.org/abs/2405.01350v1
• Date: Thu, 2 May 2024 14:59:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-03 16:15:09.729992
• Title: Community-Invariant Graph Contrastive Learning
• Title（参考訳）: コミュニティ不変グラフコントラスト学習
• Authors: Shiyin Tan, Dongyuan Li, Renhe Jiang, Ying Zhang, Manabu Okumura,
• Abstract要約: 本研究では,グラフ強化におけるグラフコミュニティの役割について検討する。 本稿では,学習可能なグラフ拡張時のグラフコミュニティ構造を維持するための,コミュニティ不変なGCLフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 21.72222875193335
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph augmentation has received great attention in recent years for graph contrastive learning (GCL) to learn well-generalized node/graph representations. However, mainstream GCL methods often favor randomly disrupting graphs for augmentation, which shows limited generalization and inevitably leads to the corruption of high-level graph information, i.e., the graph community. Moreover, current knowledge-based graph augmentation methods can only focus on either topology or node features, causing the model to lack robustness against various types of noise. To address these limitations, this research investigated the role of the graph community in graph augmentation and figured out its crucial advantage for learnable graph augmentation. Based on our observations, we propose a community-invariant GCL framework to maintain graph community structure during learnable graph augmentation. By maximizing the spectral changes, this framework unifies the constraints of both topology and feature augmentation, enhancing the model's robustness. Empirical evidence on 21 benchmark datasets demonstrates the exclusive merits of our framework. Code is released on Github (https://github.com/ShiyinTan/CI-GCL.git).
• Abstract（参考訳）: グラフ拡張は近年,グラフコントラスト学習(GCL)において,よく一般化されたノード/グラフ表現の学習において大きな注目を集めている。 しかし、主流のGCL法は、拡張のためにランダムに破壊的なグラフを好むことが多く、それは限定的な一般化を示し、必然的に高レベルなグラフ情報、すなわちグラフコミュニティの腐敗につながる。 さらに、現在の知識に基づくグラフ拡張手法では、トポロジやノードの特徴にのみ焦点をあてることができるため、様々な種類のノイズに対して堅牢性が欠如する。 これらの制約に対処するため,グラフ拡張におけるグラフコミュニティの役割を調査し,学習可能なグラフ拡張にとって重要な優位性を見出した。 本稿では,学習可能なグラフ拡張時のグラフコミュニティ構造を維持するための,コミュニティ不変なGCLフレームワークを提案する。 スペクトル変化を最大化することにより、このフレームワークはトポロジと特徴増強の両方の制約を統一し、モデルの堅牢性を高める。 21のベンチマークデータセットに関する実証的な証拠は、我々のフレームワークの排他的メリットを示している。 コードはGithub(https://github.com/ShiyinTan/CI-GCL.git)で公開されている。

関連論文リスト

• Graph Augmentation for Recommendation [30.77695833436189]
  コントラスト学習によるグラフ強化はレコメンデーションシステム分野において大きな注目を集めている。 本稿では,自己教師付き信号を生成し,レコメンダシステムを強化したGraphAugというフレームワークを提案する。 GraphAugフレームワークはグラフ情報ボトルネック(GIB)の正規化拡張パラダイムを取り入れており、情報的自己超越情報を自動で抽出する。
  論文  参考訳（メタデータ） (2024-03-25T11:47:53Z)
• Graph Contrastive Learning with Cohesive Subgraph Awareness [34.76555185419192]
  グラフコントラスト学習(GCL)は、多様なグラフの表現を学習するための最先端の戦略として登場した。 グラフの増大と学習過程におけるサブグラフの認識は、GCLの性能を高める可能性があると論じる。 我々はCTAugと呼ばれる新しい統合フレームワークを提案し、結合認識を様々な既存のGCLメカニズムにシームレスに統合する。
  論文  参考訳（メタデータ） (2024-01-31T03:51:30Z)
• Revisiting Graph Contrastive Learning from the Perspective of Graph Spectrum [91.06367395889514]
  グラフ拡張によるノード表現の学習には,GCL(Graph Contrastive Learning)が注目されている。 GCLとグラフスペクトルの関連性を確立することで,これらの疑問に答える。 汎用かつGCLフレンドリなプラグインであるスペクトルグラフコントラスト学習モジュール(SpCo)を提案する。
  論文  参考訳（メタデータ） (2022-10-05T15:32:00Z)
• Graph Contrastive Learning with Personalized Augmentation [17.714437631216516]
  グラフの教師なし表現を学習するための有効なツールとして,グラフコントラスト学習(GCL)が登場した。 我々は、textitPersonalized textitAugmentation (GPA) を用いたtextitGraph コントラスト学習と呼ばれる原則付きフレームワークを提案する。 GPAは、学習可能な拡張セレクタを介して、そのトポロジとノード属性に基づいて、各グラフの調整された拡張戦略を推論する。
  論文  参考訳（メタデータ） (2022-09-14T11:37:48Z)
• COSTA: Covariance-Preserving Feature Augmentation for Graph Contrastive Learning [64.78221638149276]
  グラフ拡張によって得られるノードの埋め込みは、非常に偏りが強いことを示す。 入力空間におけるグラフの増大を調査する代わりに,隠れた特徴の増大を提案する。 COSTAによる機能拡張は,グラフ拡張に基づくモデルに比べて,同等/ベターな結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-09T18:46:38Z)
• Learning Graph Augmentations to Learn Graph Representations [13.401746329218017]
  LG2ARはエンドツーエンドの自動グラフ拡張フレームワークである。 エンコーダはノードレベルとグラフレベルの両方で一般化可能な表現を学ぶのに役立つ。 20のグラフレベルとノードレベルのベンチマークのうち18で、最先端の結果が得られます。
  論文  参考訳（メタデータ） (2022-01-24T17:50:06Z)
• Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
  本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。 具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
  論文  参考訳（メタデータ） (2022-01-17T11:57:29Z)
• Bringing Your Own View: Graph Contrastive Learning without Prefabricated Data Augmentations [94.41860307845812]
  Self-supervisionは最近、グラフ学習の新しいフロンティアに力を入れている。 GraphCLは、グラフデータ拡張のアドホックな手作業による選択によって反映されたプレハブ付きプリファブリックを使用する。 グラフ生成器のパラメータ空間における学習可能な連続前処理へと拡張した。 我々は、情報最小化(InfoMin)と情報ボトルネック(InfoBN)の2つの原則を利用して、学習した事前情報を規則化する。
  論文  参考訳（メタデータ） (2022-01-04T15:49:18Z)
• CGCL: Collaborative Graph Contrastive Learning without Handcrafted Graph Data Augmentations [12.820228374977441]
  CGCL(Collaborative Graph Contrastive Learning framework)を提案する。 このフレームワークは、グラフを観察するために複数のグラフエンコーダを利用する。 多様なグラフエンコーダ間の協調を保証するため,非対称なアーキテクチャと補完的なエンコーダの概念を提案する。
  論文  参考訳（メタデータ） (2021-11-05T05:08:27Z)
• 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)
• Unsupervised Graph Embedding via Adaptive Graph Learning [85.28555417981063]
  グラフオートエンコーダ(GAE)は、グラフ埋め込みのための表現学習において強力なツールである。 本稿では,2つの新しい教師なしグラフ埋め込み法,適応グラフ学習(BAGE)による教師なしグラフ埋め込み,変分適応グラフ学習(VBAGE)による教師なしグラフ埋め込みを提案する。 いくつかのデータセットに関する実験的研究により、我々の手法がノードクラスタリング、ノード分類、グラフ可視化タスクにおいて、ベースラインよりも優れていることが実証された。
  論文  参考訳（メタデータ） (2020-03-10T02:33:14Z)

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。