論文の概要: Generative and Contrastive Graph Representation Learning

• arxiv url: http://arxiv.org/abs/2505.11776v1
• Date: Sat, 17 May 2025 01:02:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:10.841431
• Title: Generative and Contrastive Graph Representation Learning
• Title（参考訳）: 生成的および対照的なグラフ表現学習
• Authors: Jiali Chen, Avijit Mukherjee,
• Abstract要約: グラフ上の自己教師付き学習(SSL)は、ノード分類、ノードクラスタリング、リンク予測といった下流タスクに使用できるノードとグラフ表現を生成する。 両手法の長所を統合するグラフSSLの新しい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）: 1.4443417199517135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Self-supervised learning (SSL) on graphs generates node and graph representations (i.e., embeddings) that can be used for downstream tasks such as node classification, node clustering, and link prediction. Graph SSL is particularly useful in scenarios with limited or no labeled data. Existing SSL methods predominantly follow contrastive or generative paradigms, each excelling in different tasks: contrastive methods typically perform well on classification tasks, while generative methods often excel in link prediction. In this paper, we present a novel architecture for graph SSL that integrates the strengths of both approaches. Our framework introduces community-aware node-level contrastive learning, providing more robust and effective positive and negative node pairs generation, alongside graph-level contrastive learning to capture global semantic information. Additionally, we employ a comprehensive augmentation strategy that combines feature masking, node perturbation, and edge perturbation, enabling robust and diverse representation learning. By incorporating these enhancements, our model achieves superior performance across multiple tasks, including node classification, clustering, and link prediction. Evaluations on open benchmark datasets demonstrate that our model outperforms state-of-the-art methods, achieving a performance lift of 0.23%-2.01% depending on the task and dataset.
• Abstract（参考訳）: グラフ上の自己教師付き学習(SSL)は、ノード分類、ノードクラスタリング、リンク予測といった下流タスクに使用できるノードとグラフ表現(つまり埋め込み)を生成する。 Graph SSLは、制限付きまたはラベル付きデータのないシナリオで特に有用である。 既存のSSLメソッドは、典型的には分類タスクでよく機能するが、生成メソッドはリンク予測において優れている。 本稿では,両手法の長所を統合するグラフSSLの新しいアーキテクチャを提案する。 本フレームワークは,グローバルな意味情報を取得するためのグラフレベルのコントラスト学習と並行して,より堅牢で効果的な正負のノードペア生成を実現する,コミュニティ対応のノードレベルのコントラスト学習を導入する。 さらに、機能マスキング、ノード摂動、エッジ摂動を組み合わせた総合的な拡張戦略を採用し、堅牢で多様な表現学習を可能にする。 これらの拡張を取り入れることで,ノード分類,クラスタリング,リンク予測など,複数のタスクにまたがる優れた性能を実現する。 オープンなベンチマークデータセットの評価は、我々のモデルが最先端の手法より優れており、タスクやデータセットによって0.23%-2.01%の性能向上を実現していることを示している。

関連論文リスト

• Leveraging Joint Predictive Embedding and Bayesian Inference in Graph Self Supervised Learning [0.0]
  グラフ表現学習は、ノード分類やリンク予測といったタスクの基盤として登場した。 現在の自己教師付き学習(SSL)手法は、計算の非効率性、対照的な目的への依存、表現の崩壊といった課題に直面している。 本稿では,意味情報と構造情報を保存しながら,対照的な目的と負のサンプリングを排除したグラフSSLのための新しい結合埋め込み予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-02-02T07:42:45Z)
• How to Make LLMs Strong Node Classifiers? [70.14063765424012]
  言語モデル(LM)は、グラフニューラルネットワーク(GNN)やグラフトランスフォーマー(GT)など、ドメイン固有のモデルの優位性に挑戦している。 本稿では,ノード分類タスクにおける最先端(SOTA)GNNに匹敵する性能を実現するために,既製のLMを有効活用する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-03T08:27:54Z)
• Cluster-based Graph Collaborative Filtering [55.929052969825825]
  グラフ畳み込みネットワーク(GCN)は、レコメンデーションシステムのためのユーザおよびアイテム表現の学習に成功している。 既存のGCNベースのほとんどのメソッドは、高階グラフ畳み込みを実行しながら、ユーザの複数の関心事を見落としている。 クラスタベースグラフ協調フィルタリング(ClusterGCF)と呼ばれる新しいGCNベースのレコメンデーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-04-16T07:05:16Z)
• Generative-Contrastive Heterogeneous Graph Neural Network [17.889906784627904]
  異種グラフ(HG)は、マルチタイプのノードとエッジを通じて、実世界の複雑な関係を効果的にモデル化する。 コントラスト学習(CL)ベースのヘテロジニアスグラフニューラルネットワーク(HGNN)は、下流タスクにデータ拡張とコントラスト識別を活用できる大きな可能性を示している。 我々はGC-HGNN(Generative-Contrastive Heterogeneous Graph Neural Network)を提案する。 具体的には、CLに基づくパラダイムを強化する異種グラフ生成学習手法を提案する。
  論文  参考訳（メタデータ） (2024-04-03T15:31:18Z)
• 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)
• 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)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Graph Contrastive Learning with Adaptive Augmentation [23.37786673825192]
  本稿では,適応的拡張を用いた新しいグラフコントラスト表現学習法を提案する。 具体的には,ノードの集中度に基づく拡張スキームを設計し,重要な結合構造を明らかにする。 提案手法は,既存の最先端のベースラインを一貫して上回り,教師付きベースラインを超えている。
  論文  参考訳（メタデータ） (2020-10-27T15:12:21Z)
• 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。