論文の概要: Towards Effective Top-N Hamming Search via Bipartite Graph Contrastive Hashing

• arxiv url: http://arxiv.org/abs/2408.09239v1
• Date: Sat, 17 Aug 2024 16:21:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-20 21:39:37.413963
• Title: Towards Effective Top-N Hamming Search via Bipartite Graph Contrastive Hashing
• Title（参考訳）: Bipartite Graph Contrastive HashingによるTop-Nハミング検索の実現に向けて
• Authors: Yankai Chen, Yixiang Fang, Yifei Zhang, Chenhao Ma, Yang Hong, Irwin King,
• Abstract要約: グラフ畳み込みネットワークを用いた効率的なTop-N探索におけるハッシュ問題について検討する。 両部グラフ受信フィールドの探索にハッシュ手法を取り入れた学習の有効性が示唆された。 モデル性能を向上させるためにBGCH+(Bipartite Graph Contrastive Hashing)を提案する。
• 参考スコア（独自算出の注目度）: 42.6340751096123
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Searching on bipartite graphs serves as a fundamental task for various real-world applications, such as recommendation systems, database retrieval, and document querying. Conventional approaches rely on similarity matching in continuous Euclidean space of vectorized node embeddings. To handle intensive similarity computation efficiently, hashing techniques for graph-structured data have emerged as a prominent research direction. However, despite the retrieval efficiency in Hamming space, previous studies have encountered catastrophic performance decay. To address this challenge, we investigate the problem of hashing with Graph Convolutional Network for effective Top-N search. Our findings indicate the learning effectiveness of incorporating hashing techniques within the exploration of bipartite graph reception fields, as opposed to simply treating hashing as post-processing to output embeddings. To further enhance the model performance, we advance upon these findings and propose Bipartite Graph Contrastive Hashing (BGCH+). BGCH+ introduces a novel dual augmentation approach to both intermediate information and hash code outputs in the latent feature spaces, thereby producing more expressive and robust hash codes within a dual self-supervised learning paradigm. Comprehensive empirical analyses on six real-world benchmarks validate the effectiveness of our dual feature contrastive learning in boosting the performance of BGCH+ compared to existing approaches.
• Abstract（参考訳）: バイパーティイトグラフの検索は、レコメンデーションシステム、データベース検索、ドキュメントクエリなど、様々な現実世界のアプリケーションの基本的なタスクとして機能する。 従来のアプローチは、ベクトル化ノード埋め込みの連続ユークリッド空間における類似性マッチングに依存する。 グラフ構造データのハッシュ技術は, 高精度な類似性計算を効率的に行うために, 顕著な研究方向として現れた。 しかし、ハミング空間の回収効率にもかかわらず、過去の研究は破滅的な性能劣化に遭遇した。 この課題に対処するために,グラフ畳み込みネットワークを用いた効率的なTop-N検索問題について検討する。 本研究は,ハッシングをポストプロセッシングとして扱うのではなく,バイパートイトグラフ受信フィールドの探索にハッシュ手法を取り入れることの学習効果を示すものである。 モデル性能をさらに向上するため,これらの知見を前進させ,BGCH+ (Bipartite Graph Contrastive Hashing) を提案する。 BGCH+は、中間情報とハッシュ符号の出力の両方に対して、より表現力が高く堅牢なハッシュ符号を2つの自己教師付き学習パラダイム内で生成する新しい二重拡張アプローチを導入している。 6つの実世界のベンチマークに関する総合的な実証分析は、既存の手法と比較してBGCH+の性能を高めるために、我々の二重特徴比較学習の有効性を検証する。

関連論文リスト

• Sign-Guided Bipartite Graph Hashing for Hamming Space Search [0.0]
  BGH(Bipartite graph hashing)は、ハミング空間におけるTop-K検索において、低ストレージと推論コストで広く利用されている。 近年の研究では、BGHにグラフ畳み込みハッシュを導入し、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2024-05-04T17:20:55Z)
• CoopHash: Cooperative Learning of Multipurpose Descriptor and Contrastive Pair Generator via Variational MCMC Teaching for Supervised Image Hashing [42.67510119856105]
  GAN(Generative Adversarial Networks)のような生成モデルは、画像ハッシュモデルで合成データを生成することができる。 GANは訓練が難しいため、ハッシュアプローチが生成モデルとハッシュ関数を共同で訓練するのを防ぐことができる。 本稿では,エネルギーをベースとした協調学習に基づく新しい協調ハッシュネットワークを提案する。
  論文  参考訳（メタデータ） (2022-10-09T15:42:36Z)
• Benchmarking Node Outlier Detection on Graphs [90.29966986023403]
  グラフの外れ値検出は、多くのアプリケーションにおいて、新しいが重要な機械学習タスクである。 UNODと呼ばれるグラフに対して、最初の包括的教師なしノード外乱検出ベンチマークを示す。
  論文  参考訳（メタデータ） (2022-06-21T01:46:38Z)
• Interpolation-based Correlation Reduction Network for Semi-Supervised Graph Learning [49.94816548023729]
  補間型相関低減ネットワーク(ICRN)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。 提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。 この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• 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)
• Representation Learning for Efficient and Effective Similarity Search and Recommendation [6.280255585012339]
  この論文は、より表現力のある表現とより効果的な類似度尺度を通じてハッシュコードの有効性を向上させる表現学習に貢献する。 コントリビューションは、類似性検索とレコメンデーションに関連するいくつかのタスクで実証的に検証される。
  論文  参考訳（メタデータ） (2021-09-04T08:19:01Z)
• Deep Self-Adaptive Hashing for Image Retrieval [16.768754022585057]
  2つの特殊設計で意味情報を適応的にキャプチャするtextbfDeep Self-Adaptive Hashing(DSAH)モデルを提案する。 まず,近辺型類似度行列を構築し,その初期類似度行列を新しい更新戦略で改良する。 第2に、PICを用いたデータペアの優先度を測定し、それらに適応重みを割り当てる。これは、より異種なデータペアがハッシュ学習のためのより差別的な情報を含んでいるという仮定に依存する。
  論文  参考訳（メタデータ） (2021-08-16T13:53:20Z)
• Pairwise Supervised Hashing with Bernoulli Variational Auto-Encoder and Self-Control Gradient Estimator [62.26981903551382]
  バイナリ潜在変数を持つ変分自動エンコーダ(VAE)は、文書検索の精度の観点から最先端のパフォーマンスを提供する。 本稿では、クラス内類似度とクラス間類似度に報いるために、個別潜伏型VAEを用いたペアワイズ損失関数を提案する。 この新しいセマンティックハッシュフレームワークは、最先端技術よりも優れたパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2020-05-21T06:11:33Z)
• Learning to Hash with Graph Neural Networks for Recommender Systems [103.82479899868191]
  グラフ表現学習は、大規模に高品質な候補探索をサポートすることに多くの注目を集めている。 ユーザ・イテム相互作用ネットワークにおけるオブジェクトの埋め込みベクトルの学習の有効性にもかかわらず、連続的な埋め込み空間におけるユーザの好みを推測する計算コストは膨大である。 連続的かつ離散的なコードとを協調的に学習するための,単純かつ効果的な離散表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-04T06:59:56Z)

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。