論文の概要: GNN-Transformer Cooperative Architecture for Trustworthy Graph Contrastive Learning

• arxiv url: http://arxiv.org/abs/2412.16218v2
• Date: Tue, 24 Dec 2024 02:02:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-25 12:33:46.541179
• Title: GNN-Transformer Cooperative Architecture for Trustworthy Graph Contrastive Learning
• Title（参考訳）: 信頼できるグラフコントラスト学習のためのGNN変換器協調アーキテクチャ
• Authors: Jianqing Liang, Xinkai Wei, Min Chen, Zhiqiang Wang, Jiye Liang,
• Abstract要約: グラフ表現学習(GCL)は、グラフ表現学習の分野でホットな話題となっている。 本稿では,信頼できるグラフコントラスト学習のためのGNN変換器協調アーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 20.54767504966887
• License:
• Abstract: Graph contrastive learning (GCL) has become a hot topic in the field of graph representation learning. In contrast to traditional supervised learning relying on a large number of labels, GCL exploits augmentation strategies to generate multiple views and positive/negative pairs, both of which greatly influence the performance. Unfortunately, commonly used random augmentations may disturb the underlying semantics of graphs. Moreover, traditional GNNs, a type of widely employed encoders in GCL, are inevitably confronted with over-smoothing and over-squashing problems. To address these issues, we propose GNN-Transformer Cooperative Architecture for Trustworthy Graph Contrastive Learning (GTCA), which inherits the advantages of both GNN and Transformer, incorporating graph topology to obtain comprehensive graph representations. Theoretical analysis verifies the trustworthiness of the proposed method. Extensive experiments on benchmark datasets demonstrate state-of-the-art empirical performance.
• Abstract（参考訳）: グラフ表現学習(GCL)は、グラフ表現学習の分野でホットな話題となっている。 多数のラベルに依存する従来の教師付き学習とは対照的に、GCLは拡張戦略を利用して複数のビューと肯定的/否定的なペアを生成し、どちらもパフォーマンスに大きな影響を与えている。 残念なことに、一般的に使われるランダムな拡張は、グラフの基本的な意味論を邪魔する可能性がある。 さらに、GCLで広く使われているエンコーダの一種である従来のGNNは、必然的に過度にスムーズな問題や過度なスワッシング問題に直面している。 これらの課題に対処するため,GNN-Transformer Cooperative Architecture for Trustworthy Graph Contrastive Learning (GTCA)を提案する。 理論的解析により,提案手法の信頼性が検証される。 ベンチマークデータセットに関する大規模な実験は、最先端の実証的なパフォーマンスを示している。

関連論文リスト

• Dual-Optimized Adaptive Graph Reconstruction for Multi-View Graph Clustering [19.419832637206138]
  本稿では, DOAGC という2つの最適化された適応グラフ再構成に基づく新しいマルチビューグラフクラスタリング手法を提案する。 主に、従来のGNNの利点を維持しつつ、異種グラフ問題に対処するために、従来のGNNに適合したグラフ構造を再構築することを目的としている。
  論文  参考訳（メタデータ） (2024-10-30T12:50:21Z)
• GRE^2-MDCL: Graph Representation Embedding Enhanced via Multidimensional Contrastive Learning [0.0]
  グラフ表現学習は、ノードをベクトル表現にマッピングする際にグラフトポロジを保存する強力なツールとして登場した。 現在のグラフニューラルネットワークモデルは、広範なラベル付きデータを必要とするという課題に直面している。 多次元コントラスト学習によるグラフ表現埋め込みを提案する。
  論文  参考訳（メタデータ） (2024-09-12T03:09:05Z)
• Your Graph Recommender is Provably a Single-view Graph Contrastive Learning [20.97898501484718]
  グラフレコメンデータ(GR)は、ユーザとテムの相互作用グラフから情報を抽出するためにカスタマイズされたグラフニューラルネットワーク(GNN)エンコーダの一種である。 グラフコントラスト学習(GCL)は、特定のコントラスト目的を持つGNNを学習し、しばしば教師なしで学習することを目的とした、人気のある研究方向である。 GRとGCLの研究の交わりにもかかわらず、2つの分野の関係に関する理論的理解は驚くほど少ない。
  論文  参考訳（メタデータ） (2024-07-25T02:53:11Z)
• Learning to Reweight for Graph Neural Network [63.978102332612906]
  グラフニューラルネットワーク(GNN)は、グラフタスクに対して有望な結果を示す。 既存のGNNの一般化能力は、テストとトレーニンググラフデータの間に分散シフトが存在する場合に低下する。 本稿では,分布外一般化能力を大幅に向上させる非線形グラフデコリレーション法を提案する。
  論文  参考訳（メタデータ） (2023-12-19T12:25:10Z)
• Graph Contrastive Learning with Generative Adversarial Network [35.564028359355596]
  グラフ生成逆数ネットワーク(GAN)はグラフコントラスト学習(GCL)のためのビューの分布を学習する 本稿では,グラフ表現学習のためのジェネレーティブ・コントラスト学習ネットワークであるGACNを提案する。 GACNはGCLの高品質な拡張ビューを生成することができ、12の最先端のベースライン手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-01T13:28:24Z)
• 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)
• Uncovering the Structural Fairness in Graph Contrastive Learning [87.65091052291544]
  グラフコントラスト学習(GCL)は、ノード表現を学習するための有望な自己教師型アプローチとして登場した。 GCL法で得られた表現は,GCN法で学習した表現よりも既に公平であることを示す。 我々は、低次ノードと高次ノードに異なる戦略を適用し、GRAph contrastive learning for Degree bias (GRADE)と呼ばれるグラフ拡張手法を考案した。
  論文  参考訳（メタデータ） (2022-10-06T15:58:25Z)
• 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)
• Training Free Graph Neural Networks for Graph Matching [103.45755859119035]
  TFGMは、グラフニューラルネットワーク(GNN)ベースのグラフマッチングのパフォーマンスをトレーニングなしで向上するフレームワークである。 TFGMをさまざまなGNNに適用することは、ベースラインよりも有望な改善を示している。
  論文  参考訳（メタデータ） (2022-01-14T09:04:46Z)
• Adversarial Graph Augmentation to Improve Graph Contrastive Learning [21.54343383921459]
  本稿では,GNNがトレーニング中に冗長な情報を捕捉することを避けるために,AD-GCL(adversarial-GCL)と呼ばれる新しい原理を提案する。 我々は、AD-GCLを最先端のGCL法と比較し、教師なしで最大$14%、転送で$6%、半教師なしの学習環境で$3%の性能向上を達成した。
  論文  参考訳（メタデータ） (2021-06-10T15:34:26Z)
• Graph Contrastive Learning with Augmentations [109.23158429991298]
  グラフデータの教師なし表現を学習するためのグラフコントラスト学習(GraphCL)フレームワークを提案する。 我々のフレームワークは、最先端の手法と比較して、類似またはより良い一般化可能性、転送可能性、堅牢性のグラフ表現を作成できることを示す。
  論文  参考訳（メタデータ） (2020-10-22T20:13:43Z)

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。