論文の概要: Enhancing Graph Self-Supervised Learning with Graph Interplay

• arxiv url: http://arxiv.org/abs/2410.04061v2
• Date: Tue, 8 Oct 2024 13:30:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-02 14:20:57.493512
• Title: Enhancing Graph Self-Supervised Learning with Graph Interplay
• Title（参考訳）: グラフインタープレイによるグラフ自己教師学習の強化
• Authors: Xinjian Zhao, Wei Pang, Xiangru Jian, Yaoyao Xu, Chaolong Ying, Tianshu Yu,
• Abstract要約: Graph Interplay(GIP)は、様々な既存のGSSLメソッドを備えたパフォーマンスを大幅に向上させる革新的で汎用的なアプローチである。 GIPは、標準バッチ内でランダムなグラフ間エッジによる直接グラフレベルの通信を導入することを提唱している。 我々の実証研究は、GIPが広く普及しているGSSL法の性能を大幅に上回っていることを示している。
• 参考スコア（独自算出の注目度）: 8.775644935074407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph self-supervised learning (GSSL) has emerged as a compelling framework for extracting informative representations from graph-structured data without extensive reliance on labeled inputs. In this study, we introduce Graph Interplay (GIP), an innovative and versatile approach that significantly enhances the performance equipped with various existing GSSL methods. To this end, GIP advocates direct graph-level communications by introducing random inter-graph edges within standard batches. Against GIP's simplicity, we further theoretically show that \textsc{GIP} essentially performs a principled manifold separation via combining inter-graph message passing and GSSL, bringing about more structured embedding manifolds and thus benefits a series of downstream tasks. Our empirical study demonstrates that GIP surpasses the performance of prevailing GSSL methods across multiple benchmarks by significant margins, highlighting its potential as a breakthrough approach. Besides, GIP can be readily integrated into a series of GSSL methods and consistently offers additional performance gain. This advancement not only amplifies the capability of GSSL but also potentially sets the stage for a novel graph learning paradigm in a broader sense.
• Abstract（参考訳）: グラフ自己教師型学習(GSSL)は、ラベル付き入力に大きく依存することなく、グラフ構造化データから情報表現を抽出するための魅力的なフレームワークとして登場した。 本研究では,既存のGSSL方式を取り入れたグラフ・インタープレイ(GIP)を革新的かつ多用途に導入し,性能を著しく向上させる手法を提案する。 この目的のために、GIPは標準バッチ内にランダムなグラフ間エッジを導入することで、グラフレベルの直接通信を提唱している。 GIPの単純さに対して、GIPは基本的にグラフ間メッセージパッシングとGSSLを組み合わせた基本多様体分離を行い、より構造化された埋め込み多様体を実現し、一連の下流タスクの恩恵を受けることを理論的に示す。 我々の実証研究は、GIPが複数のベンチマークで広く普及しているGSSLメソッドのパフォーマンスをかなり上回っており、画期的なアプローチとしての可能性を強調している。 さらに、GIPは一連のGSSLメソッドに簡単に統合でき、継続的にパフォーマンスの向上を提供する。 この進歩は、GSSLの能力を増幅するだけでなく、より広い意味での新しいグラフ学習パラダイムのステージも設定する可能性がある。

関連論文リスト

• Unveiling Global Interactive Patterns across Graphs: Towards Interpretable Graph Neural Networks [31.29616732552006]
  グラフニューラルネットワーク(GNN)は、グラフマイニングの著名なフレームワークとして登場した。 本稿では,グラフ分類に内在的に解釈可能な新しい手法を提案する。 グローバル対話パターン(GIP)学習は、学習可能なグローバル対話パターンを導入し、決定を明示的に解釈する。
  論文  参考訳（メタデータ） (2024-07-02T06:31:13Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• ExGRG: Explicitly-Generated Relation Graph for Self-Supervised Representation Learning [4.105236597768038]
  自己教師型学習は、ディープラーニングモデルの事前学習において、強力なテクニックとして登場した。 本稿では,合成関係グラフを明示的に生成する新しい非競合SSL手法を提案する。
  論文  参考訳（メタデータ） (2024-02-09T19:16:04Z)
• Robust Graph Structure Learning with the Alignment of Features and Adjacency Matrix [8.711977569042865]
  クリーンなグラフ構造とそれに対応する表現を共同で学習するグラフ構造学習(GSL)には,多くのアプローチが提案されている。 本稿では,特に特徴情報とグラフ情報の整合性を考慮した新しい正規化GSL手法を提案する。 本手法の有効性を評価するために,実世界のグラフを用いて実験を行った。
  論文  参考訳（メタデータ） (2023-07-05T09:05:14Z)
• 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)
• Graph Structure Learning with Variational Information Bottleneck [70.62851953251253]
  本稿では,新しい変分情報ボトルネックガイド付きグラフ構造学習フレームワーク,すなわちVIB-GSLを提案する。 VIB-GSLは情報的かつ圧縮的なグラフ構造を学習し、特定の下流タスクに対して実行可能な情報を蒸留する。
  論文  参考訳（メタデータ） (2021-12-16T14:22:13Z)
• Diversified Multiscale Graph Learning with Graph Self-Correction [55.43696999424127]
  2つのコア成分を組み込んだ多次元グラフ学習モデルを提案します。 情報埋め込みグラフを生成するグラフ自己補正(GSC)機構、および入力グラフの包括的な特性評価を達成するために多様性ブースト正規化(DBR)。 一般的なグラフ分類ベンチマークの実験は、提案されたGSCメカニズムが最先端のグラフプーリング方法よりも大幅に改善されることを示しています。
  論文  参考訳（メタデータ） (2021-03-17T16:22:24Z)
• Graph-based Semi-supervised Learning: A Comprehensive Review [51.26862262550445]
  半教師付き学習(ssl)はラベル付きデータとラベルなしデータの両方を利用する能力があるため、実際非常に価値があります。 重要なSSLメソッドのクラスは、グラフベースの半教師付き学習(GSSL)メソッドに対応するグラフとしてデータを自然に表現することです。 GSSLメソッドは、構造のユニークさ、アプリケーションの普遍性、大規模データへのスケーラビリティのために、さまざまなドメインでその利点を実証しています。
  論文  参考訳（メタデータ） (2021-02-26T05:11:09Z)
• Contrastive and Generative Graph Convolutional Networks for Graph-based Semi-Supervised Learning [64.98816284854067]
  グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。 本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-15T13:59:28Z)

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。