論文の概要: Metapath-based Hyperbolic Contrastive Learning for Heterogeneous Graph Embedding

• arxiv url: http://arxiv.org/abs/2506.16754v1
• Date: Fri, 20 Jun 2025 05:19:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:05.346151
• Title: Metapath-based Hyperbolic Contrastive Learning for Heterogeneous Graph Embedding
• Title（参考訳）: 不均一グラフ埋め込みのためのメタパスに基づくハイパーボリックコントラスト学習
• Authors: Jongmin Park, Seunghoon Han, Won-Yong Shin, Sungsu Lim,
• Abstract要約: メタパスに基づく双曲型コントラスト学習フレームワーク(MHCL)を提案する。 MHCLは、多元グラフ内の様々な複雑な構造を捉えるために複数の双曲空間を使用する。 比較学習法では, 同じメタパスの埋め込み距離を最小化し, 双曲空間における異なるメタパス間の距離を最大化する。
• 参考スコア（独自算出の注目度）: 8.741342958861877
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The hyperbolic space, characterized by a constant negative curvature and exponentially expanding space, aligns well with the structural properties of heterogeneous graphs. However, although heterogeneous graphs inherently possess diverse power-law structures, most hyperbolic heterogeneous graph embedding models rely on a single hyperbolic space. This approach may fail to effectively capture the diverse power-law structures within heterogeneous graphs. To address this limitation, we propose a Metapath-based Hyperbolic Contrastive Learning framework (MHCL), which uses multiple hyperbolic spaces to capture diverse complex structures within heterogeneous graphs. Specifically, by learning each hyperbolic space to describe the distribution of complex structures corresponding to each metapath, it is possible to capture semantic information effectively. Since metapath embeddings represent distinct semantic information, preserving their discriminability is important when aggregating them to obtain node representations. Therefore, we use a contrastive learning approach to optimize MHCL and improve the discriminability of metapath embeddings. In particular, our contrastive learning method minimizes the distance between embeddings of the same metapath and maximizes the distance between those of different metapaths in hyperbolic space, thereby improving the separability of metapath embeddings with distinct semantic information. We conduct comprehensive experiments to evaluate the effectiveness of MHCL. The experimental results demonstrate that MHCL outperforms state-of-the-art baselines in various graph machine learning tasks, effectively capturing the complex structures of heterogeneous graphs.
• Abstract（参考訳）: 双曲空間は、一定の負曲率と指数関数的に広がる空間によって特徴づけられ、不均一グラフの構造的性質とよく一致している。 しかし、ヘテロジニアスグラフは本質的に様々なパワーロー構造を持つが、ほとんどの双曲的ヘテロジニアスグラフ埋め込みモデルは単一の双曲空間に依存している。 このアプローチは、ヘテロジニアスグラフ内の様々なパワーロー構造を効果的に捉えることができないかもしれない。 この制限に対処するため,メタパスをベースとしたハイパーボリックコントラスト学習フレームワーク (MHCL) を提案する。 具体的には,各メタパスに対応する複雑な構造の分布を記述するために,各双曲空間を学習することにより,意味情報を効果的に捉えることができる。 メタパス埋め込みは、異なる意味情報を表すため、ノード表現を得るためにそれらの識別性を維持することが重要である。 したがって,MHCLを最適化し,メタパス埋め込みの識別性を向上させるために,コントラスト学習アプローチを用いる。 特に, メタパスの埋め込み距離を最小化し, メタパス間の距離を最大化することにより, メタパス埋め込みの分離性を向上させる。 MHCLの有効性を評価するための総合的な実験を行った。 実験の結果、MHCLは様々なグラフ機械学習タスクにおいて最先端のベースラインよりも優れており、不均一グラフの複雑な構造を効果的に捉えていることがわかった。

関連論文リスト

• Multi-Hyperbolic Space-based Heterogeneous Graph Attention Network [5.816451272912859]
  ヘテロジニアスグラフ内の多様なパワーロー構造を捉えるために,マルチハイパーボリック空間に基づくヘテロジニアスグラフアテンションネットワーク(MSGAT)を提案する。 MSGATは、さまざまなグラフ機械学習タスクにおいて最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2024-11-18T04:55:26Z)
• Hyperbolic Heterogeneous Graph Attention Networks [3.0165549581582454]
  以前の不均一グラフ埋め込みモデルは、低次元ユークリッド空間におけるベクトル表現として不均一グラフの要素を表す。 メタパスインスタンスを用いた双曲空間におけるベクトル表現を学習するハイパーボリック不均一グラフ注意ネットワーク(HHGAT)を提案する。 本研究では,HHGATがノード分類やクラスタリングタスクにおいて,最先端のヘテロジニアスグラフ埋め込みモデルより優れていることを示す3つの実世界のヘテロジニアスグラフデータセットの実験を行った。
  論文  参考訳（メタデータ） (2024-04-15T04:45:49Z)
• M2HGCL: Multi-Scale Meta-Path Integrated Heterogeneous Graph Contrastive Learning [16.391439666603578]
  マルチスケールなメタパス統合ヘテロジニアスグラフコントラスト学習(M2HGCL)モデルを提案する。 具体的には、メタパスを拡大し、直接的な隣接情報、初期メタパス隣情報、拡張されたメタパス隣情報とを共同で集約する。 3つの実世界のデータセットに関する広範な実験を通して、M2HGCLが現在の最先端のベースラインモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2023-09-03T06:39:56Z)
• Single-Pass Contrastive Learning Can Work for Both Homophilic and Heterophilic Graph [60.28340453547902]
  グラフコントラッシブ・ラーニング(GCL)技術は通常、コントラッシブ・ロスを構築するために単一のインスタンスに対して2つのフォワードパスを必要とする。 既存のGCLアプローチは、強力なパフォーマンス保証を提供していない。 我々はSingle-Pass Graph Contrastive Learning法(SP-GCL)を実装した。 経験的に、SP-GCLが学んだ機能は、計算オーバーヘッドを著しく少なくして、既存の強いベースラインにマッチまたは性能を向上することができる。
  論文  参考訳（メタデータ） (2022-11-20T07:18:56Z)
• Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
  本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-25T03:54:53Z)
• 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)
• SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
  本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。 まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。 次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。 最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
  論文  参考訳（メタデータ） (2021-12-12T14:18:18Z)
• Hybrid Micro/Macro Level Convolution for Heterogeneous Graph Learning [45.14314180743549]
  不均一グラフは、各グラフが複数の種類のノードとエッジから構成される現実的なシナリオで広く普及する。 既存のグラフ畳み込みアプローチのほとんどは均質グラフ用に設計されており、したがって異種グラフを扱うことはできない。 ヘテロジニアスグラフ上の包括的ノード表現を学習するための新しいヘテロジニアスグラフ畳み込み手法であるHGConvを提案する。
  論文  参考訳（メタデータ） (2020-12-29T12:12:37Z)

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。