論文の概要: Contrastive Learning Meets Pseudo-label-assisted Mixup Augmentation: A Comprehensive Graph Representation Framework from Local to Global

• arxiv url: http://arxiv.org/abs/2501.18357v1
• Date: Thu, 30 Jan 2025 14:03:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-31 15:14:31.734347
• Title: Contrastive Learning Meets Pseudo-label-assisted Mixup Augmentation: A Comprehensive Graph Representation Framework from Local to Global
• Title（参考訳）: Pseudo-label-assisted Mixup Augmentation: 局所からグローバルへの総合的なグラフ表現フレームワーク
• Authors: Jinlu Wang, Yanfeng Sun, Jiapu Wang, Junbin Gao, Shaofan Wang, Jipeng Guo,
• Abstract要約: 我々はComGRL(Comprehensive Graph Representation Learning)と呼ばれる新しいフレームワークを提案する。 ComGRLは、ローカル情報をグローバル情報に統合し、強力な表現を導出する。 これは、フレキシブルグラフの対照的な学習を通じて、ローカル情報を暗黙的に滑らかにすることで実現される。
• 参考スコア（独自算出の注目度）: 36.077708121672565
• License:
• Abstract: Graph Neural Networks (GNNs) have demonstrated remarkable effectiveness in various graph representation learning tasks. However, most existing GNNs focus primarily on capturing local information through explicit graph convolution, often neglecting global message-passing. This limitation hinders the establishment of a collaborative interaction between global and local information, which is crucial for comprehensively understanding graph data. To address these challenges, we propose a novel framework called Comprehensive Graph Representation Learning (ComGRL). ComGRL integrates local information into global information to derive powerful representations. It achieves this by implicitly smoothing local information through flexible graph contrastive learning, ensuring reliable representations for subsequent global exploration. Then ComGRL transfers the locally derived representations to a multi-head self-attention module, enhancing their discriminative ability by uncovering diverse and rich global correlations. To further optimize local information dynamically under the self-supervision of pseudo-labels, ComGRL employs a triple sampling strategy to construct mixed node pairs and applies reliable Mixup augmentation across attributes and structure for local contrastive learning. This approach broadens the receptive field and facilitates coordination between local and global representation learning, enabling them to reinforce each other. Experimental results across six widely used graph datasets demonstrate that ComGRL achieves excellent performance in node classification tasks. The code could be available at https://github.com/JinluWang1002/ComGRL.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は,様々なグラフ表現学習タスクにおいて顕著な効果を示した。 しかし、既存のGNNのほとんどは、グローバルなメッセージパッシングを無視した明示的なグラフ畳み込みを通じて、ローカル情報を取得することに重点を置いている。 この制限は、グラフデータを包括的に理解するために欠かせないグローバル情報とローカル情報との協調的な相互作用の確立を妨げる。 これらの課題に対処するため,ComGRL(Comprehensive Graph Representation Learning)と呼ばれる新しいフレームワークを提案する。 ComGRLは、ローカル情報をグローバル情報に統合し、強力な表現を導出する。 これは、フレキシブルグラフの対照的な学習を通じて、ローカル情報を暗黙的に滑らかにし、その後のグローバルな探索のための信頼性の高い表現を保証することで実現される。 次に、ComGRLは局所的に導出された表現を多頭部自己認識モジュールに転送し、多様で豊かな大域的相関を明らかにすることによって識別能力を高める。 擬似ラベルの自己スーパービジョンの下で局所情報を動的に最適化するために、ComGRLは3重サンプリング戦略を用いて混合ノードペアを構築し、局所的なコントラスト学習のために属性と構造に信頼性のあるミックスアップ拡張を適用する。 このアプローチは受容領域を広げ、局所的な表現学習とグローバルな表現学習の協調を促進する。 広く利用されている6つのグラフデータセットに対する実験結果から,ComGRLはノード分類タスクにおいて優れた性能を発揮することが示された。 コードはhttps://github.com/JinluWang1002/ComGRLで入手できる。

関連論文リスト

• Graph Triple Attention Network: A Decoupled Perspective [8.958483386270638]
  グラフトランスフォーマーは、マルチビューカオスとローカルグローバルカオスの2つの主要な課題に直面している。 我々は、GTの高レベルな分離された視点を提案し、それらを3つのコンポーネントと2つの相互作用レベルに分解する。 DeGTAというグラフトリプルアテンションネットワークを設計し、多視点アテンションを別々に計算し、多視点ローカルおよびグローバル情報を適応的に統合する。
  論文  参考訳（メタデータ） (2024-08-14T16:29:07Z)
• Bridging Local Details and Global Context in Text-Attributed Graphs [62.522550655068336]
  GraphBridgeは、コンテキストテキスト情報を活用することで、ローカルおよびグローバルな視点をブリッジするフレームワークである。 提案手法は最先端性能を実現し,グラフ対応トークン削減モジュールは効率を大幅に向上し,スケーラビリティの問題を解消する。
  論文  参考訳（メタデータ） (2024-06-18T13:35:25Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• Learning Strong Graph Neural Networks with Weak Information [64.64996100343602]
  我々は、弱い情報(GLWI)を用いたグラフ学習問題に対する原則的アプローチを開発する。 非完全構造を持つ入力グラフ上で長距離情報伝搬を行うデュアルチャネルGNNフレームワークであるD$2$PTを提案するが、グローバルな意味的類似性を符号化するグローバルグラフも提案する。
  論文  参考訳（メタデータ） (2023-05-29T04:51:09Z)
• DigNet: Digging Clues from Local-Global Interactive Graph for Aspect-level Sentiment Classification [0.685316573653194]
  アスペクトレベルの感情分類(ASC)では、最先端モデルは構文グラフまたは関係グラフをエンコードする。 我々は,対話的なエッジを通じて2つのグラフを縫い合わせることで,その利点をマージする,新しいローカル・グローバル・インタラクティブグラフを設計する。 本稿では,DigNetと呼ばれる新しいニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-01-04T05:34:02Z)
• Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
  GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。 クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。 GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
  論文  参考訳（メタデータ） (2021-12-15T07:28:58Z)
• Local Augmentation for Graph Neural Networks [78.48812244668017]
  本稿では,局所的な部分グラフ構造によりノード特性を向上する局所拡張を提案する。 局所的な拡張に基づいて、プラグイン・アンド・プレイ方式で任意のGNNモデルに適用可能な、LA-GNNという新しいフレームワークをさらに設計する。
  論文  参考訳（メタデータ） (2021-09-08T18:10:08Z)
• LGD-GCN: Local and Global Disentangled Graph Convolutional Networks [35.71362724342354]
  Disentangled Graph Convolutional Network (DisenGCN)は、現実世界のグラフで発生する潜伏要因を解消するための奨励的なフレームワークである。 本稿では,Global Disentangled Graph Convolutional Network (LGD-GCN) を導入する。
  論文  参考訳（メタデータ） (2021-04-24T06:40:35Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)

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。