Core Concepts
Die vorgeschlagene Methode SGNCL nutzt Subgraph-Netzwerke als Augmentierungsansatz, um die Interaktionen zwischen Substrukturen in Graphen zu erfassen und dadurch leistungsfähigere Graphrepräsentationen für nachgelagerte Aufgaben wie die Graphklassifizierung zu lernen.
Abstract
Die Kernidee von SGNCL ist es, Subgraph-Netzwerke (SGNs) als Augmentierungsansatz zu verwenden, um die Interaktionen zwischen Substrukturen in Graphen zu erfassen. Dazu werden zwei Arten von SGNs generiert:
Erste-Ordnung-SGN: Erfasst die Interaktionen zwischen Knoten und Kanten.
Zweite-Ordnung-SGN: Erfasst die Interaktionen zwischen Dreiecks-Motiven.
Diese SGNs dienen als Augmentierungsansichten für das kontrastive Lernen. Dabei wird ein Kontrastobjektiv verwendet, das die Ähnlichkeit zwischen dem Originalgraphen und seinen SGNs maximiert und die Ähnlichkeit zwischen dem Originalgraphen und SGNs unterschiedlicher Herkunft minimiert.
Darüber hinaus wird ein erweitertes Kontrastobjektiv vorgeschlagen, das die Informationen aus Erste-Ordnung- und Zweite-Ordnung-SGNs gleichzeitig berücksichtigt, um eine umfassendere Graphrepräsentation zu lernen.
Umfangreiche Experimente zeigen, dass SGNCL im Vergleich zu klassischen und state-of-the-art-Methoden des kontrastiven Lernens auf mehreren Benchmark-Datensätzen aus verschiedenen Domänen konkurrenzfähige oder bessere Leistungen erzielt. Insbesondere in Transferlernszenarien erreicht SGNCL den besten durchschnittlichen Gewinn von 6,9% gegenüber der besten Vergleichsmethode.
Stats
Die Interaktionen zwischen Knoten und Kanten sowie zwischen Dreiecks-Motiven in Graphen sind wichtige Informationen, die von SGNCL erfasst werden, um leistungsfähige Graphrepräsentationen zu lernen.
Quotes
"SGNCL kann die Interaktionen zwischen Substrukturen in Graphen erfassen und dadurch leistungsfähigere Graphrepräsentationen für nachgelagerte Aufgaben wie die Graphklassifizierung lernen."
"Das erweiterte Kontrastobjektiv von SGNCL, das die Informationen aus Erste-Ordnung- und Zweite-Ordnung-SGNs gleichzeitig berücksichtigt, führt zu einer umfassenderen Graphrepräsentation."