그래프 학습

התחברות

תובנה - 그래프 학습

그래프 이종성은 연결된 노드들이 서로 다른 레이블이나 특징을 가질 가능성이 높은 현상을 의미한다. 최근 이종성이 있는 그래프에 대한 학습 방법이 활발히 연구되고 있으며, 다양한 이종성 측정 지표, 벤치마크 데이터셋, 학습 패러다임이 등장하고 있다.

이종 그래프 데이터에서 사전 학습된 모델의 지식을 효과적으로 활용하기 위한 프롬프트 기반 학습 기법을 제안한다.

그래프 대조 학습에서 구조적 근거에 집중하는 기존 방식의 한계를 극복하고자, 그래프 표현의 차원 근거를 탐구하고 이를 활용하여 성능을 향상시키는 방법을 제안한다.

본 연구는 그래프 준지도 도메인 적응 문제를 해결하기 위해 그래프 대조 학습과 최소-최대 엔트로피 기반 방법을 제안한다. 이를 통해 소스 그래프의 지식을 활용하여 타겟 그래프의 노드 분류 성능을 향상시킨다.

다항식 그래픽 라쏘(PGL)는 노드 신호를 가우시안 및 그래프 정상으로 모델링하여 그래프 구조를 학습하는 새로운 접근법이다. 이를 통해 그래픽 라쏘보다 더 유연한 모델링이 가능하며, 그래프 정상성 접근법보다 적은 샘플로도 정확한 그래프 추정이 가능하다.

GLEMOS는 그래프 학습 모델 선택을 위한 포괄적인 벤치마크를 제공한다. 이를 통해 새로운 그래프에 대해 효과적인 그래프 학습 모델을 신속하게 선택할 수 있다.

그래프의 레일리 몫은 이상치 그래프와 정상 그래프 간의 고유한 스펙트럼 특성을 나타내며, 이를 활용하여 그래프 수준 이상치 탐지 성능을 향상시킬 수 있다.

지침을 활용하여 하이퍼그래프 표현 학습을 통해 그래프 기반 작업의 성능을 향상시킬 수 있다.

본 연구는 그래프 링크 예측을 위해 다단계 부정적 샘플링 전략을 제안한다. 제안 모델 DMNS는 조건부 확산 모델을 활용하여 쿼리 노드에 대한 다양한 수준의 부정적 샘플을 생성하고, 이를 통해 강력한 노드 표현을 학습한다.

그래프 신경망은 노드 특징이 없어도 그래프 구조만으로 숨겨진 노드 특징을 복구할 수 있다.

אודות

מוצרים

מידע נוסף