論文の概要: Variational Graph Contrastive Learning

• arxiv url: http://arxiv.org/abs/2411.07150v1
• Date: Mon, 11 Nov 2024 17:23:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:11:30.516113
• Title: Variational Graph Contrastive Learning
• Title（参考訳）: 変分グラフコントラスト学習
• Authors: Shifeng Xie, Jhony H. Giraldo,
• Abstract要約: グラフ表現学習(GRL)は、高次元グラフ構造化データを低次元ベクトルに符号化することを目的とした機械学習の基本課題である。 本研究では,SGEC(Subgraph Gaussian Embedding Contrast)法を提案する。
• 参考スコア（独自算出の注目度）: 1.9950682531209158
• License:
• Abstract: Graph representation learning (GRL) is a fundamental task in machine learning, aiming to encode high-dimensional graph-structured data into low-dimensional vectors. Self-supervised learning (SSL) methods are widely used in GRL because they can avoid expensive human annotation. In this work, we propose a novel Subgraph Gaussian Embedding Contrast (SGEC) method. Our approach introduces a subgraph Gaussian embedding module, which adaptively maps subgraphs to a structured Gaussian space, ensuring the preservation of graph characteristics while controlling the distribution of generated subgraphs. We employ optimal transport distances, including Wasserstein and Gromov-Wasserstein distances, to effectively measure the similarity between subgraphs, enhancing the robustness of the contrastive learning process. Extensive experiments across multiple benchmarks demonstrate that SGEC outperforms or presents competitive performance against state-of-the-art approaches. Our findings provide insights into the design of SSL methods for GRL, emphasizing the importance of the distribution of the generated contrastive pairs.
• Abstract（参考訳）: グラフ表現学習(GRL)は、高次元グラフ構造化データを低次元ベクトルに符号化することを目的とした機械学習の基本課題である。 自己教師付き学習(SSL)法は、高価な人間のアノテーションを避けることができるため、GRLで広く使われている。 本稿では,SGEC(Subgraph Gaussian Embedding Contrast)法を提案する。 提案手法では,部分グラフを構造付きガウス空間に適応的にマッピングし,生成した部分グラフの分布を制御しながら,グラフ特性の保存を保証する部分グラフガウス埋め込みモジュールを提案する。 我々はワッサーシュタインとグロモフ=ワッサーシュタインの距離を含む最適な輸送距離を用いて、部分グラフ間の類似性を効果的に測定し、対照的な学習過程の堅牢性を高める。 複数のベンチマークにわたる大規模な実験は、SGECが最先端のアプローチよりも優れているか、競争性能を示していることを示している。 本研究は,生成したコントラッシブペアの分散の重要性を強調し,GRLのためのSSLメソッドの設計に関する知見を提供する。

関連論文リスト

• DiRW: Path-Aware Digraph Learning for Heterophily [23.498557237805414]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データのための強力な表現学習ツールとして登場した。 我々は,プラグイン・アンド・プレイ戦略や革新的なニューラルアーキテクチャとみなすことができるDirected Random Walk (DiRW)を提案する。 DiRWには、歩行確率、長さ、および数の観点から最適化された方向対応パスサンプリング器が組み込まれている。
  論文  参考訳（メタデータ） (2024-10-14T09:26:56Z)
• LAMP: Learnable Meta-Path Guided Adversarial Contrastive Learning for Heterogeneous Graphs [22.322402072526927]
  Heterogeneous Graph Contrastive Learning (HGCL)は通常、事前に定義されたメタパスを必要とする。 textsfLAMPは様々なメタパスのサブグラフを統一的で安定した構造に統合する。 textsfLAMPは、精度と堅牢性の観点から、既存の最先端の教師なしモデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-09-10T08:27:39Z)
• Refining Latent Representations: A Generative SSL Approach for Heterogeneous Graph Learning [9.686218058331061]
  異種グラフ学習(HGL)に特化して設計された生成型SSL方式HGVAEを提案する。 HGVAEは不均一性を捉える複雑な戦略を設計する代わりに、潜伏表現の精細化に重点を置いている。 HGLに生成SSLを適用する先駆者として、HGVAEは潜在表現を洗練し、高品質な表現を学ぶようモデルに促す。
  論文  参考訳（メタデータ） (2023-10-17T09:34:34Z)
• Localized Contrastive Learning on Graphs [110.54606263711385]
  局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。 その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
  論文  参考訳（メタデータ） (2022-12-08T23:36:00Z)
• Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
  グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。 グラフが現在の勾配を混合する能力を定量化する計量法を提案する。 そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-13T15:54:35Z)
• 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)
• Semi-Supervised Graph Learning Meets Dimensionality Reduction [0.0]
  半教師付き学習(SSL)は最近、機械学習研究者から注目を集めている。 本研究では,PCA, t-SNE, UMAPなどの次元減少技術を用いて, グラフニューラルネットワーク(GNN)の性能に与える影響について検討する。 ベンチマークとクラスタリングの可視化により,GNN入力と出力に対する先行次元と後続次元の低減をそれぞれ利用することで,半教師付きノードラベルの伝搬とノードクラスタリングの有効性を同時に向上できることが示された。
  論文  参考訳（メタデータ） (2022-03-23T16:31:53Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• 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)
• Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
  グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく 我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
  論文  参考訳（メタデータ） (2020-02-20T09:53:28Z)

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。