Fugu-MT 論文翻訳(概要): Multi-Task Curriculum Graph Contrastive Learning with Clustering Entropy Guidance

論文の概要: Multi-Task Curriculum Graph Contrastive Learning with Clustering Entropy Guidance

arxiv url: http://arxiv.org/abs/2408.12071v1
Date: Thu, 22 Aug 2024 02:18:47 GMT
ステータス: 処理完了
システム内更新日: 2024-08-23 15:33:26.011571
Title: Multi-Task Curriculum Graph Contrastive Learning with Clustering Entropy Guidance
Title（参考訳）: クラスタリングエントロピー誘導を用いたマルチタスクグラフコントラスト学習
Authors: Chusheng Zeng, Bocheng Wang, Jinghui Yuan, Rong Wang, Mulin Chen,
Abstract要約: 本稿ではクラスタリング誘導型Curriculum Graph contrastive Learning(CCGL)フレームワークを提案する。 CCGLは以下のグラフ拡張とコントラスト学習のガイダンスとしてクラスタリングエントロピーを使用している。実験の結果,CCGLは最先端の競合に比べて優れた性能を示した。
参考スコア（独自算出の注目度）: 25.5510013711661
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recent advances in unsupervised deep graph clustering have been significantly promoted by contrastive learning. Despite the strides, most graph contrastive learning models face challenges: 1) graph augmentation is used to improve learning diversity, but commonly used random augmentation methods may destroy inherent semantics and cause noise; 2) the fixed positive and negative sample selection strategy is limited to deal with complex real data, thereby impeding the model's capability to capture fine-grained patterns and relationships. To reduce these problems, we propose the Clustering-guided Curriculum Graph contrastive Learning (CCGL) framework. CCGL uses clustering entropy as the guidance of the following graph augmentation and contrastive learning. Specifically, according to the clustering entropy, the intra-class edges and important features are emphasized in augmentation. Then, a multi-task curriculum learning scheme is proposed, which employs the clustering guidance to shift the focus from the discrimination task to the clustering task. In this way, the sample selection strategy of contrastive learning can be adjusted adaptively from early to late stage, which enhances the model's flexibility for complex data structure. Experimental results demonstrate that CCGL has achieved excellent performance compared to state-of-the-art competitors.
Abstract（参考訳）: 教師なし深層グラフクラスタリングの最近の進歩は、対照的な学習によって著しく促進されている。しかし、グラフの対照的な学習モデルのほとんどは、課題に直面しています。 1) グラフ拡張は,学習の多様性を向上させるために使用されるが,一般的に使用されるランダム拡張法は,固有の意味論を破壊し,騒音を引き起こす可能性がある。 2) 固定正・負のサンプル選択戦略は, 複雑な実データを扱うために制限されるため, 詳細なパターンや関係を把握できない。これらの問題を解決するために,クラスタリング誘導型Curriculum Graph contrastive Learning (CCGL) フレームワークを提案する。 CCGLは以下のグラフ拡張とコントラスト学習のガイダンスとしてクラスタリングエントロピーを使用している。具体的には,クラスタリングのエントロピーにより,クラス内エッジと重要な特徴が強調される。そこで,マルチタスクのカリキュラム学習手法を提案し,識別タスクからクラスタリングタスクへ焦点を移すためのクラスタリング指導手法を提案する。このように、コントラスト学習のサンプル選択戦略は、初期から後期まで適応的に調整できるため、複雑なデータ構造に対するモデルの柔軟性が向上する。実験の結果,CCGLは最先端の競合に比べて優れた性能を示した。

関連論文リスト

Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。モデルはGCNを適用するために初期グラフを事前に推定する。一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
論文参考訳（メタデータ） (2024-02-25T07:03:37Z)
Adversarial Curriculum Graph Contrastive Learning with Pair-wise Augmentation [35.875976206333185]
ACGCLは、グラフレベルの正と負のサンプルを制御可能な類似性を持たせるために、ペアワイズ増強の利点を生かしている。 ACGCLフレームワーク内では,新たな逆行カリキュラム学習手法が考案された。 ACGCLの総合評価は、よく知られた6つのベンチマークデータセットに関する広範な実験を通じて行われる。
論文参考訳（メタデータ） (2024-02-16T06:17:50Z)
CARL-G: Clustering-Accelerated Representation Learning on Graphs [18.763104937800215]
本稿では,クラスタ検証指標(CVI)にインスパイアされた損失を利用したグラフ表現学習のための新しいクラスタリングベースのフレームワークを提案する。 CARL-Gはクラスタリング法やCVIに適応し,クラスタリング法とCVIの適切な選択により,CARL-Gは4/5データセットのノード分類ベースラインを最大79倍のトレーニングスピードアップで上回ることを示す。
論文参考訳（メタデータ） (2023-06-12T08:14:42Z)
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)
Adversarial Cross-View Disentangled Graph Contrastive Learning [30.97720522293301]
グラフデータから最小かつ十分な表現を学習するために,情報ボトルネックの原則に従う ACDGCL を導入する。提案したモデルが,複数のベンチマークデータセット上でのグラフ分類タスクの最先端性より優れていることを実証的に実証した。
論文参考訳（メタデータ） (2022-09-16T03:48:39Z)
ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
論文参考訳（メタデータ） (2022-03-01T02:32:25Z)
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)
Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
論文参考訳（メタデータ） (2021-08-15T13:14:28Z)
Graph Contrastive Clustering [131.67881457114316]
本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
論文参考訳（メタデータ） (2021-04-03T15:32:49Z)

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。