グラフ表現学習

Kirjaudu sisään

näkemys - グラフ表現学習

TopERは、グラフの部分構造の進化を効率的に捉えることで、低次元で解釈可能な埋め込みを生成する新しいアプローチである。

グラフデータの不完全性と雑音を同時に解決するため、情報ボトルネックの原理に基づいた新しいデータ拡張手法COREを提案する。COREは、欠落したエッジを回復しつつ、グラフ構造から不要な情報を削除することで、リンク予測モデルの頑健性と性能を向上させる。

隣接ノードレベルのメッセージ相互作用情報をエンコーディングすることで、グラフ表現学習の性能を向上させることができる。

グラフ対比学習では、グラフの構造的根拠を探索することで表現の弁別性を高めてきたが、これにより解釈可能性の低下や雑音情報の学習が生じる可能性がある。そこで本研究では、グラフの次元的根拠に着目し、これを活用することで表現の弁別性と解釈可能性を両立させる手法を提案する。

複数のグラフエンコーダを活用し、データ拡張なしでグラフ表現を学習する新しい枠組みを提案する。

Tietoja

Tuotteet

Resurssit