論文の概要: TopoGCL: Topological Graph Contrastive Learning

• arxiv url: http://arxiv.org/abs/2406.17251v1
• Date: Tue, 25 Jun 2024 03:35:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-26 15:51:17.695353
• Title: TopoGCL: Topological Graph Contrastive Learning
• Title（参考訳）: TopoGCL: トポロジカルグラフコントラスト学習
• Authors: Yuzhou Chen, Jose Frias, Yulia R. Gel,
• Abstract要約: グラフコントラスト学習(GCL)は、グラフニューラルネットワーク(GNN)の強みを活かす新しい概念として最近登場した。 グラフ上の位相不変性と拡張持続性の概念をGCLに導入する。 以上の結果から,新しいトポロジカルグラフコントラスト学習(TopoGCL)モデルは,12の考察データセットのうち11の教師なしグラフ分類において,大幅な性能向上を実現し,ノイズのあるシナリオ下で頑健性を示した。
• 参考スコア（独自算出の注目度）: 32.993034801654105
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph contrastive learning (GCL) has recently emerged as a new concept which allows for capitalizing on the strengths of graph neural networks (GNNs) to learn rich representations in a wide variety of applications which involve abundant unlabeled information. However, existing GCL approaches largely tend to overlook the important latent information on higher-order graph substructures. We address this limitation by introducing the concepts of topological invariance and extended persistence on graphs to GCL. In particular, we propose a new contrastive mode which targets topological representations of the two augmented views from the same graph, yielded by extracting latent shape properties of the graph at multiple resolutions. Along with the extended topological layer, we introduce a new extended persistence summary, namely, extended persistence landscapes (EPL) and derive its theoretical stability guarantees. Our extensive numerical results on biological, chemical, and social interaction graphs show that the new Topological Graph Contrastive Learning (TopoGCL) model delivers significant performance gains in unsupervised graph classification for 11 out of 12 considered datasets and also exhibits robustness under noisy scenarios.
• Abstract（参考訳）: グラフコントラスト学習(GCL)は、グラフニューラルネットワーク(GNN)の強みを活かして、豊富なラベルのない情報を含む幅広いアプリケーションでリッチな表現を学習できる新しい概念として最近登場した。 しかし、既存のGCLアプローチは、高階グラフのサブ構造に関する重要な潜伏情報を見落としてしまう傾向にある。 我々は、グラフ上の位相不変性と拡張持続性の概念をGCLに導入することで、この制限に対処する。 特に,複数の解像度でグラフの潜在形状特性を抽出することによって得られる2つの拡張ビューのトポロジ的表現を同一グラフから対象とする新しいコントラストモードを提案する。 拡張トポロジカル層とともに,拡張永続化ランドスケープ(EPL)と呼ばれる新しい拡張永続化サマリを導入し,その理論的安定性の保証を導出する。 生物, 化学, 社会相互作用グラフの広範な数値結果から, 新しいトポロジカルグラフコントラスト学習(TopoGCL)モデルが, 12のデータセットのうち11の教師なしグラフ分類において, 顕著な性能向上を実現し, ノイズの多いシナリオ下で頑健性を示すことが示された。

関連論文リスト

• Tensor-Fused Multi-View Graph Contrastive Learning [12.412040359604163]
  グラフコントラッシブラーニング(GCL)は、グラフニューラルネットワーク(GNN)の機能を強化し、ラベルのないグラフ構造化データからリッチな表現を学習するための、有望なアプローチとして登場した。 現在のGCLモデルは、計算要求と限られた機能利用の課題に直面している。 提案するTensorMV-GCLは,拡張された永続的ホモロジーをGCL表現と統合し,マルチスケールな特徴抽出を容易にする新しいフレームワークである。
  論文  参考訳（メタデータ） (2024-10-20T01:40:12Z)
• TopER: Topological Embeddings in Graph Representation Learning [8.052380377159398]
  トポロジカル進化速度 (TopER) は、トポロジカルデータ解析に基づく低次元埋め込み手法である。 TopERはグラフ部分構造の進化率を計算することによって、重要な位相的アプローチである永続化ホモロジーを単純化する。 我々のモデルは、分類、クラスタリング、可視化といったタスクにおいて、分子、生物学的、ソーシャルネットワークのデータセットにまたがる最先端の結果を達成したり、超えたりします。
  論文  参考訳（メタデータ） (2024-10-02T17:31:33Z)
• When Witnesses Defend: A Witness Graph Topological Layer for Adversarial Graph Learning [19.566775406771757]
  逆グラフ学習を計算トポロジー、すなわちグラフの永続的ホモロジー表現から新たなツールで橋渡しする。 グラフ上の逆解析において、グラフ全体の位相情報の損失を最小限に抑えながら、グラフの健全な形状特性にのみ焦点をあてることのできる証人複体の概念を導入する。 証人機構を組み込んだWitness Graph Topological Layer (WGTL) を設計し、局所的およびグローバルなトポロジカルグラフの特徴表現を体系的に統合し、その影響を頑健な正規化されたトポロジ的損失によって自動的に制御する。
  論文  参考訳（メタデータ） (2024-09-21T14:53:32Z)
• LSEnet: Lorentz Structural Entropy Neural Network for Deep Graph Clustering [59.89626219328127]
  グラフクラスタリングは機械学習の基本的な問題である。 近年、ディープラーニング手法は最先端の成果を達成しているが、事前に定義されたクラスタ番号なしでは動作できない。 本稿では,グラフ情報理論の新たな視点からこの問題に対処することを提案する。
  論文  参考訳（メタデータ） (2024-05-20T05:46:41Z)
• Topological Pooling on Graphs [24.584372324701885]
  グラフニューラルネットワーク(GNN)は、さまざまなグラフ学習タスクにおいて大きな成功を収めている。 そこで我々は,新しいトポロジカルプール層とビジター複合型トポロジカル埋め込み機構を提案する。 Wit-TopoPoolは、すべてのデータセットで競合他社よりも大幅に優れています。
  論文  参考訳（メタデータ） (2023-03-25T19:30:46Z)
• 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)
• Hyperbolic Graph Neural Networks: A Review of Methods and Applications [55.5502008501764]
  グラフニューラルネットワークは、従来のニューラルネットワークをグラフ構造化データに一般化する。 グラフ関連学習におけるユークリッドモデルの性能は、ユークリッド幾何学の表現能力によって依然として制限されている。 近年,木のような構造を持つグラフデータ処理や,ゆるい分布の処理において,双曲空間が人気が高まっている。
  論文  参考訳（メタデータ） (2022-02-28T15:08:48Z)
• 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)
• Topological Relational Learning on Graphs [2.4692806302088868]
  グラフニューラルネットワーク(GNN)は、グラフ分類と表現学習のための強力なツールとして登場した。 本稿では,GNNに高階グラフ情報を統合可能な新しいトポロジカルリレーショナル推論(TRI)を提案する。 新しいTRI-GNNは、6つの7つのグラフで14の最先端のベースラインを上回り、摂動に対して高い堅牢性を示すことを示す。
  論文  参考訳（メタデータ） (2021-10-29T04:03:27Z)
• CommPOOL: An Interpretable Graph Pooling Framework for Hierarchical Graph Representation Learning [74.90535111881358]
  新しい解釈可能なグラフプーリングフレームワークである CommPOOL を提案します。 グラフ表現学習プロセスにおいて、グラフの階層的なコミュニティ構造をキャプチャし、保存することができる。 CommPOOLは階層グラフ表現学習のための汎用的で柔軟なフレームワークです。
  論文  参考訳（メタデータ） (2020-12-10T21:14:18Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。