이 논문은 하이퍼그래프 자기지도 학습 (HSSL) 을 위한 SE-HSSL 프레임워크를 제안한다. 기존 HSSL 모델은 주로 대조 학습 방식을 사용하지만, 이는 부정적 샘플 선택의 신뢰성 문제와 많은 계산 비용이 발생하는 한계가 있다.
SE-HSSL은 다음과 같은 세 가지 고효율 자기지도 학습 신호를 제안한다:
노드 수준 CCA 목적함수: 노드 표현의 상관관계를 최대화하여 노드 간 유사도를 학습한다. 이는 부정적 샘플 선택 없이 달성할 수 있다.
그룹 수준 CCA 목적함수: 하이퍼엣지 표현의 상관관계를 최대화하여 그룹 수준 정보를 학습한다.
계층적 멤버십 대조 목적함수: 하이퍼그래프의 계층적 멤버십 관계를 활용하여 멤버십 수준 정보를 효율적으로 학습한다.
이러한 세 가지 신호를 통해 SE-HSSL은 기존 방식 대비 더 효과적이고 효율적인 하이퍼그래프 표현 학습을 달성할 수 있다. 실험 결과, SE-HSSL은 7개 실세계 하이퍼그래프 데이터셋에서 노드 분류와 노드 클러스터링 작업에서 최신 기술 대비 우수한 성능을 보였다. 또한 훈련 속도 측면에서도 최소 2배 이상 빠른 것으로 나타났다.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Fan Li,Xiaoy... at arxiv.org 04-19-2024
https://arxiv.org/pdf/2404.11825.pdfDeeper Inquiries