論文の概要: HGOT: Self-supervised Heterogeneous Graph Neural Network with Optimal Transport

• arxiv url: http://arxiv.org/abs/2506.02619v1
• Date: Tue, 03 Jun 2025 08:35:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:35.49281
• Title: HGOT: Self-supervised Heterogeneous Graph Neural Network with Optimal Transport
• Title（参考訳）: HGOT: 最適移動を用いた自己教師付き不均一グラフニューラルネットワーク
• Authors: Yanbei Liu, Chongxu Wang, Zhitao Xiao, Lei Geng, Yanwei Pang, Xiao Wang,
• Abstract要約: 最適輸送法(HGOT)を用いた自己教師付き不均質グラフニューラルネットワークを提案する。 HGOTは、正と負のサンプルの厳密なサンプリングプロセスを緩和するために最適な輸送機構を用いる。 ノード分類タスクでは、HGOTは最先端の手法と比較して6%以上の精度の向上を実現している。
• 参考スコア（独自算出の注目度）: 29.705206754426953
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Heterogeneous Graph Neural Networks (HGNNs), have demonstrated excellent capabilities in processing heterogeneous information networks. Self-supervised learning on heterogeneous graphs, especially contrastive self-supervised strategy, shows great potential when there are no labels. However, this approach requires the use of carefully designed graph augmentation strategies and the selection of positive and negative samples. Determining the exact level of similarity between sample pairs is non-trivial.To solve this problem, we propose a novel self-supervised Heterogeneous graph neural network with Optimal Transport (HGOT) method which is designed to facilitate self-supervised learning for heterogeneous graphs without graph augmentation strategies. Different from traditional contrastive self-supervised learning, HGOT employs the optimal transport mechanism to relieve the laborious sampling process of positive and negative samples. Specifically, we design an aggregating view (central view) to integrate the semantic information contained in the views represented by different meta-paths (branch views). Then, we introduce an optimal transport plan to identify the transport relationship between the semantics contained in the branch view and the central view. This allows the optimal transport plan between graphs to align with the representations, forcing the encoder to learn node representations that are more similar to the graph space and of higher quality. Extensive experiments on four real-world datasets demonstrate that our proposed HGOT model can achieve state-of-the-art performance on various downstream tasks. In particular, in the node classification task, HGOT achieves an average of more than 6% improvement in accuracy compared with state-of-the-art methods.
• Abstract（参考訳）: 異種グラフニューラルネットワーク(HGNN)は異種情報ネットワークの処理能力に優れていた。 不均一グラフの自己教師付き学習、特に対照的な自己教師付き戦略はラベルがない場合に大きな可能性を示す。 しかし、このアプローチには、慎重に設計されたグラフ増強戦略と、正と負のサンプルの選択が必要である。 サンプルペア間の正確な類似度を決定することは簡単ではないが、この問題を解決するために、グラフ拡張戦略を使わずに異種グラフの自己教師付き学習を容易にするために、最適輸送法(HGOT)を用いた新しい自己教師付き不均質グラフニューラルネットワークを提案する。 従来の対照的な自己教師型学習とは異なり、HGOTは正と負のサンプルの厳密なサンプリングプロセスを緩和するために最適な輸送機構を採用している。 具体的には、異なるメタパス(ブランチビュー)で表されるビューに含まれる意味情報を統合するため、集約ビュー(中央ビュー)を設計する。 そこで我々は,分岐ビューに含まれるセマンティクスと中心ビューとの間の輸送関係を同定する最適な輸送計画を提案する。 これにより、グラフ間の最適な転送計画が表現と一致し、エンコーダはグラフ空間とより類似したノード表現をより高品質で学習せざるを得なくなる。 実世界の4つのデータセットに対する大規模な実験により、提案したHGOTモデルが、様々な下流タスクで最先端のパフォーマンスを達成できることが実証された。 特にノード分類タスクでは、HGOTは最先端の手法と比較して6%以上の精度の向上を実現している。

関連論文リスト

• Performance Heterogeneity in Graph Neural Networks: Lessons for Architecture Design and Preprocessing [1.1126342180866644]
  グラフニューラルネットワークは、グラフレベルの学習において最もポピュラーなアーキテクチャとして登場した。 優れたパフォーマンスを実現するには、注意深いモデル設計が必要です。 選択的なアプローチを提案する。これは、個々のパフォーマンスがリライトの恩恵を受けるグラフのみを対象としている。
  論文  参考訳（メタデータ） (2025-03-01T16:18:07Z)
• 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)
• RHCO: A Relation-aware Heterogeneous Graph Neural Network with Contrastive Learning for Large-scale Graphs [26.191673964156585]
  本稿では,大規模不均一グラフ表現学習のためのRelation-aware Heterogeneous Graph Neural Network with Contrastive Learning (RHCO)を提案する。 RHCOは最先端のモデルよりも優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-11-20T04:45:04Z)
• Towards Relation-centered Pooling and Convolution for Heterogeneous Graph Learning Networks [11.421162988355146]
  不均一グラフニューラルネットワークは,グラフ表現学習において大きな可能性を秘めている。 我々は,PC-HGNという異種グラフ学習ネットワークのための関係中心のPooling and Convolutionを設計し,関係固有サンプリングと相互関係の畳み込みを実現する。 実世界の3つのデータセットにおける最先端グラフ学習モデルとの比較により,提案モデルの性能評価を行った。
  論文  参考訳（メタデータ） (2022-10-31T08:43:32Z)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• 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)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。