論文の概要: Discrepancy-Aware Graph Mask Auto-Encoder

• arxiv url: http://arxiv.org/abs/2506.19343v1
• Date: Tue, 24 Jun 2025 06:15:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-25 19:48:23.510011
• Title: Discrepancy-Aware Graph Mask Auto-Encoder
• Title（参考訳）: 離散性を考慮したグラフマスク自動エンコーダ
• Authors: Ziyu Zheng, Yaming Yang, Ziyu Guan, Wei Zhao, Weigang Lu,
• Abstract要約: Masked Graph Auto-Encoderは、強力なグラフ自己教師型トレーニングパラダイムであり、グラフ表現学習において優れたパフォーマンスを示している。 離散性を考慮したグラフマスク自動エンコーダ(DGMAE)を提案する。 マスク処理中に隣接するノードの差分情報を再構成することにより、より区別可能なノード表現を得る。
• 参考スコア（独自算出の注目度）: 14.452589880736523
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Masked Graph Auto-Encoder, a powerful graph self-supervised training paradigm, has recently shown superior performance in graph representation learning. Existing works typically rely on node contextual information to recover the masked information. However, they fail to generalize well to heterophilic graphs where connected nodes may be not similar, because they focus only on capturing the neighborhood information and ignoring the discrepancy information between different nodes, resulting in indistinguishable node representations. In this paper, to address this issue, we propose a Discrepancy-Aware Graph Mask Auto-Encoder (DGMAE). It obtains more distinguishable node representations by reconstructing the discrepancy information of neighboring nodes during the masking process. We conduct extensive experiments on 17 widely-used benchmark datasets. The results show that our DGMAE can effectively preserve the discrepancies of nodes in low-dimensional space. Moreover, DGMAE significantly outperforms state-of-the-art graph self-supervised learning methods on three graph analytic including tasks node classification, node clustering, and graph classification, demonstrating its remarkable superiority. The code of DGMAE is available at https://github.com/zhengziyu77/DGMAE.
• Abstract（参考訳）: Masked Graph Auto-Encoderは、強力なグラフ自己教師型トレーニングパラダイムであり、グラフ表現学習において優れたパフォーマンスを示している。 既存の作業は通常、マスキングされた情報を回復するためにノードのコンテキスト情報に依存する。 しかし、これらのグラフは、接続ノードが似ていないかもしれないヘテロ親和性グラフによく当てはまらない、なぜならそれらは、近傍の情報のみをキャプチャし、異なるノード間の不一致情報を無視することだけに焦点を当て、区別できないノード表現をもたらすからである。 本稿では、この問題に対処するために、DGMAE(Disdisrepancy-Aware Graph Mask Auto-Encoder)を提案する。 マスク処理中に隣接するノードの差分情報を再構成することにより、より区別可能なノード表現を得る。 広範に使用されている17のベンチマークデータセットについて広範な実験を行った。 その結果,DGMAEは低次元空間におけるノードの相違を効果的に維持できることがわかった。 さらに、DGMAEは、タスクノード分類、ノードクラスタリング、グラフ分類を含む3つのグラフ解析において、最先端のグラフ自己教師学習法を著しく上回り、その顕著な優位性を示している。 DGMAEのコードはhttps://github.com/zhengziyu77/DGMAEで公開されている。

関連論文リスト

• Graph Positional Autoencoders as Self-supervised Learners [42.78083704462157]
  グラフオートエンコーダ(GAE)は入力として不完全なグラフを取り、マスクノードやエッジなどの欠落した要素を予測する。 グラフ位置自動エンコーダ (GraphPAE) を提案する。 異種ノード分類,グラフ特性予測,移動学習など,GraphPAEの有効性を検証するための広範な実験を行った。
  論文  参考訳（メタデータ） (2025-05-29T11:10:11Z)
• Contrastive Graph Representation Learning with Adversarial Cross-view Reconstruction and Information Bottleneck [5.707725771108279]
  本稿では,CGRL (Contrastive Graph Representation Learning with Adversarial Cross-view Reconstruction and Information Bottleneck) を用いたノード分類手法を提案する。 提案手法は既存の最先端アルゴリズムを著しく上回っている。
  論文  参考訳（メタデータ） (2024-08-01T05:45:21Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
  本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。 Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-05-18T07:27:18Z)
• MGAE: Masked Autoencoders for Self-Supervised Learning on Graphs [55.66953093401889]
  Masked Graph Autoencoder (MGAE) フレームワークは、グラフ構造データの効果的な学習を行う。 自己指導型学習から洞察を得て、私たちはランダムに大量のエッジを隠蔽し、トレーニング中に欠落したエッジを再構築しようとします。
  論文  参考訳（メタデータ） (2022-01-07T16:48:07Z)
• Permutation-Invariant Variational Autoencoder for Graph-Level Representation Learning [0.0]
  グラフ構造データに対する置換不変変分オートエンコーダを提案する。 本モデルは、特定のノード順序を強制することなく、入出力グラフのノード順序を間接的に学習する。 提案モデルの有効性を様々なグラフの再構築や生成タスクで実証する。
  論文  参考訳（メタデータ） (2021-04-20T09:44:41Z)
• Higher-Order Attribute-Enhancing Heterogeneous Graph Neural Networks [67.25782890241496]
  異種ネットワーク表現学習のための高次属性強化グラフニューラルネットワーク(HAEGNN)を提案する。 HAEGNNは、リッチで異質なセマンティクスのためのメタパスとメタグラフを同時に組み込む。 ノード分類、ノードクラスタリング、可視化における最先端の手法よりも優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2021-04-16T04:56:38Z)
• Graph InfoClust: Leveraging cluster-level node information for unsupervised graph representation learning [12.592903558338444]
  本稿では,グラフ InfoClust というグラフ表現学習手法を提案する。 同社はさらに、クラスタレベルの情報コンテンツをキャプチャしようとしている。 この最適化により、ノード表現はよりリッチな情報とノイズ相互作用をキャプチャし、それによって品質が向上する。
  論文  参考訳（メタデータ） (2020-09-15T09:33:20Z)
• Inverse Graph Identification: Can We Identify Node Labels Given Graph Labels? [89.13567439679709]
  グラフ識別(GI)は、グラフ学習において長い間研究されており、特定の応用において不可欠である。 本稿では,逆グラフ識別(Inverse Graph Identification, IGI)と呼ばれる新しい問題を定義する。 本稿では,グラフアテンションネットワーク(GAT)を用いたノードレベルのメッセージパッシング処理を,GIのプロトコルの下でシンプルかつ効果的に行う方法を提案する。
  論文  参考訳（メタデータ） (2020-07-12T12:06:17Z)
• Graph Highway Networks [77.38665506495553]
  グラフ畳み込みネットワーク(GCN)は、グラフ表現の有効性と効率性から、グラフ表現の学習に広く利用されている。 彼らは、多くの層が積み重ねられたとき、学習された表現が類似したベクトルに収束するという悪名高い過度に滑らかな問題に悩まされる。 本稿では,GCN学習プロセスにおける均一性と不均一性との間のトレードオフのバランスをとるため,ゲーティングユニットを利用したグラフハイウェイネットワークを提案する。
  論文  参考訳（メタデータ） (2020-04-09T16:26:43Z)

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。