Core Concepts
ラベル付きソースグラフの知識を活用して、ラベル付きターゲットグラフ上のノード分類を改善する。グラフ対比学習とミニマックスエントロピー訓練を組み合わせることで、ドメイン間の差異を低減し、識別的なノード表現を生成する。
Abstract
本論文は、ラベル付きソースグラフの知識を活用して、ラベル付きターゲットグラフ上のノード分類を改善する手法を提案している。
- ソースグラフは完全にラベル付けされているが、ターゲットグラフはラベル付きノードが限られている。
- 2つのGNNエンコーダを用いて、オリジナルグラフ(ローカルビュー)と拡散強化グラフ(グローバルビュー)からノード表現を抽出する。
- グラフ対比学習を適用し、ローカルビューとグローバルビューの表現の一致を最大化する。これにより、グラフの局所的および大域的な構造情報を同時にエンコードできる。
- ミニマックスエントロピー訓練を導入し、ノード分類器とGNNエンコーダを敵対的に最適化する。これによりドメイン間の差異を低減し、ターゲットグラフの非ラベル付きノードに対して識別的なノード表現を生成する。
- 5つの実世界情報ネットワークを用いた実験結果は、提案手法が既存手法を上回ることを示している。
Stats
ソースグラフとターゲットグラフの間の共通属性の割合は64.29%から97.83%の範囲にある。
ターゲットグラフの各クラスに5個のラベル付きノードが存在する。