Core Concepts
이종 그래프 학습을 위해 생성 SSL 방식을 활용하여 잠재 표현을 개선하는 것이 핵심 아이디어이다.
Abstract
이 논문은 이종 그래프 학습(HGL)을 위한 새로운 생성 SSL 모델인 HGVAE를 제안한다. HGVAE는 다음과 같은 특징을 가진다:
잠재 표현의 품질 향상에 초점을 맞추어, 기존 HGL 방법들과 달리 복잡한 이종성 포착 전략을 설계하지 않는다.
생성 SSL과 대조 SSL을 결합하여, 잠재 표현을 개선한다. 특히 점진적 부정적 샘플 생성(PNSG) 메커니즘을 통해 어려운 부정적 샘플을 생성한다.
잠재 표현 재구성을 위해 향상된 스케일드 코사인 오차(ESCE)를 제안한다.
실험 결과, HGVAE는 다양한 HGL 벤치마크에서 우수한 성능을 보였다. 이는 생성 SSL이 HGL에 효과적으로 적용될 수 있음을 입증한다.
Stats
이종 그래프 데이터에서 노드 유형과 엣지 유형의 수가 2개 이상이다.
이종 그래프 데이터에는 다양한 노드 속성과 관계가 포함되어 있다.
Quotes
"자기 지도 학습(SSL)은 그래프 학습에서 상당한 잠재력을 보여주었고 점점 더 많은 관심을 끌고 있다."
"특히 생성 SSL 방법의 경우, 이종 그래프 학습(HGL)에서의 잠재력은 상대적으로 충분히 탐구되지 않았다."