論文の概要: Contrastive General Graph Matching with Adaptive Augmentation Sampling

• arxiv url: http://arxiv.org/abs/2406.17199v1
• Date: Tue, 25 Jun 2024 01:08:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-26 16:11:01.998442
• Title: Contrastive General Graph Matching with Adaptive Augmentation Sampling
• Title（参考訳）: Adaptive Augmentation Smplingを用いた一般グラフマッチング
• Authors: Jianyuan Bo, Yuan Fang,
• Abstract要約: グラフマッチング(GCGM)のための新しいグラフ中心コントラストフレームワークを提案する。 GCGMは、コントラスト学習のための膨大なグラフ拡張を、副次的な情報を必要としない形で実現している。 当社のGCGMは、さまざまなデータセットにわたる最先端の自己管理手法を超越しています。
• 参考スコア（独自算出の注目度）: 5.3459881796368505
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph matching has important applications in pattern recognition and beyond. Current approaches predominantly adopt supervised learning, demanding extensive labeled data which can be limited or costly. Meanwhile, self-supervised learning methods for graph matching often require additional side information such as extra categorical information and input features, limiting their application to the general case. Moreover, designing the optimal graph augmentations for self-supervised graph matching presents another challenge to ensure robustness and efficacy. To address these issues, we introduce a novel Graph-centric Contrastive framework for Graph Matching (GCGM), capitalizing on a vast pool of graph augmentations for contrastive learning, yet without needing any side information. Given the variety of augmentation choices, we further introduce a Boosting-inspired Adaptive Augmentation Sampler (BiAS), which adaptively selects more challenging augmentations tailored for graph matching. Through various experiments, our GCGM surpasses state-of-the-art self-supervised methods across various datasets, marking a significant step toward more effective, efficient and general graph matching.
• Abstract（参考訳）: グラフマッチングは、パターン認識などにおいて重要な応用である。 現在のアプローチでは、主に教師付き学習を採用し、制限やコストのかかる広範なラベル付きデータを要求している。 一方、グラフマッチングのための自己教師付き学習手法は、しばしば余分なカテゴリ情報や入力特徴などの追加の側情報を必要とし、それらの応用を一般的なケースに限定する。 さらに、自己教師付きグラフマッチングのための最適グラフ拡張を設計することは、堅牢性と有効性を保証するための別の課題である。 これらの問題に対処するために、グラフマッチングのための新しいグラフ中心のコントラシブフレームワーク(GCGM)を導入する。 グラフマッチングに適したより困難な拡張を適応的に選択する、Boosting-inspired Adaptive Augmentation Sampler (BiAS)を導入する。 様々な実験を通じて、GCGMは様々なデータセットにわたる最先端の自己教師手法を超越し、より効率的で効率的で汎用的なグラフマッチングに向けた重要な一歩を踏み出した。

関連論文リスト

• AnyGraph: Graph Foundation Model in the Wild [16.313146933922752]
  グラフ基盤モデルは、グラフデータから堅牢で一般化可能な表現を学ぶ可能性を提供します。 本研究では,主要な課題に対処するために設計された統一グラフモデルであるAnyGraphについて検討する。 多様な38のグラフデータセットに対する実験は、AnyGraphの強力なゼロショット学習性能を実証した。
  論文  参考訳（メタデータ） (2024-08-20T09:57:13Z)
• Label-invariant Augmentation for Semi-Supervised Graph Classification [32.591130704357184]
  近年,コンピュータビジョン領域では,コントラッシブネスに基づく拡張が新たなクライマックスを引き起こしている。 画像とは異なり、グラフの性質を変えることなく合理的な拡張を設計することはより困難である。 この課題に対処するために,グラフ構造化データに対するラベル不変拡張を提案する。
  論文  参考訳（メタデータ） (2022-05-19T18:44:02Z)
• 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)
• Bootstrapping Informative Graph Augmentation via A Meta Learning Approach [21.814940639910358]
  グラフコントラスト学習では、ベンチマーク手法は様々なグラフ拡張アプローチを適用する。 拡張法のほとんどは学習不可能であり、不便な拡張グラフを生成する問題を引き起こす。 私たちはMEGA(Meta Graph Augmentation)と呼ばれる学習可能なグラフオーグメンタによるグラフ生成を動機付けている。
  論文  参考訳（メタデータ） (2022-01-11T07:15:13Z)
• 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)
• Graph Contrastive Learning Automated [94.41860307845812]
  グラフコントラスト学習(GraphCL)は、有望な表現学習性能とともに登場した。 GraphCLのヒンジがアドホックなデータ拡張に与える影響は、データセット毎に手動で選択する必要がある。 本稿では,グラフデータ上でGraphCLを実行する際に,データ拡張を自動的に,適応的に動的に選択する統合バイレベル最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-10T16:35:27Z)
• 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)
• Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
  学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。 FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
  論文  参考訳（メタデータ） (2020-10-19T21:51:47Z)
• Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
  グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。 標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。 総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-08T19:48:19Z)

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。