異種グラフ対比学習における メタパス文脈と適応的に重み付けされたネガティブサンプルの活用

Conceptos Básicos

本論文は、メタパス文脈を活用し、ネガティブサンプルに適応的な重み付けを行うことで、異種グラフ上の節点表現を効果的に学習する手法を提案する。

Resumen

本論文は、異種グラフ上の節点表現を学習する手法MEOW(Heterogeneous Graph Contrastive Learning with Meta-path Contexts and Adaptively Weighted Negative Samples)を提案している。

主な特徴は以下の通り:

1. メタパスに基づいて、ノードの接続関係を表す粗視的ビューと、メタパス文脈を活用した詳細なビューを構築し、対比学習を行う。
2. ノード間の類似度だけでなく、ノードの所属クラスターの情報も活用して、ネガティブサンプルに適応的な重み付けを行う。これにより、偽のネガティブサンプルと真のネガティブサンプルを適切に区別できる。
3. クラスター中心を用いたプロトタイプ対比学習を導入し、同一クラスター内のノード表現を一層コンパクトにする。
4. さらに、ネガティブサンプルの重み付けをMLP で学習的に決定するAdaMEOWモデルを提案し、パフォーマンスをさらに向上させる。

実験の結果、提案手法MEOWおよびAdaMEOWが、ノード分類やクラスタリングの課題において、他の手法と比べて優れた性能を示すことが確認された。

Estadísticas

ノード間の類似度が高いほど、ネガティブサンプルに対する勾配の大きさが大きくなる。
ノードの所属クラスターの情報を活用することで、偽のネガティブサンプルと真のネガティブサンプルを適切に区別できる。

Citas

"メタパス文脈は、ノード間の接続関係をより詳細に表現できるため、ノード表現の学習に有効である。"
"ネガティブサンプルの重み付けを適応的に学習することで、ノード表現の質をさらに向上できる。"

Ideas clave extraídas de

Heterogeneous Graph Contrastive Learning with Meta-path Contexts and Adaptively Weighted Negative Samples

by Jianxiang Yu... a las arxiv.org 04-08-2024

https://arxiv.org/pdf/2212.13847.pdf

Consultas más profundas

メタパス以外の関係性情報をどのように活用できるか?

メタパス以外の関係性情報を活用する方法として、ノード間の直接的なリンクや属性の情報を考慮することが挙げられます。メタパスは特定の経路を示すため、直接的なリンクや属性情報は異なる種類の関係性を提供し、より包括的なネットワーク構造を理解するのに役立ちます。例えば、ノード間の共起関係や属性の類似性を考慮することで、より豊富な情報を取得し、より正確なノード表現を学習することが可能です。これにより、ネットワーク全体の構造や関係性をより深く理解し、より効果的な表現学習を実現できます。