Core Concepts
이종 그래프 대조 학습에서 메타 경로 컨텍스트 정보와 가중치가 부여된 부정적 샘플을 활용하여 노드 표현을 학습하는 방법을 제안한다.
Abstract
이 논문은 이종 그래프 대조 학습에 대한 새로운 방법을 제안한다. 주요 내용은 다음과 같다:
메타 경로 기반의 두 가지 뷰를 구축한다. 하나는 객체들이 메타 경로로 연결되어 있음을 나타내는 거친 뷰이고, 다른 하나는 메타 경로 컨텍스트를 활용하여 객체들이 어떻게 연결되어 있는지를 나타내는 세부 뷰이다.
InfoNCE 손실 함수의 한계를 이론적으로 분석하고, 부정적 샘플에 가중치를 부여하는 새로운 대조 손실 함수를 제안한다. 이를 통해 부정적 샘플을 더 잘 구분할 수 있다.
노드 클러스터링 결과를 활용하여 부정적 샘플의 가중치를 결정하고, 프로토타입 대조 학습을 도입하여 같은 클러스터 내 노드들의 표현을 더 compact하게 만든다.
부정적 샘플의 가중치를 적응적으로 학습하는 AdaMEOW 모델을 제안하여 노드 표현 학습 능력을 더 향상시킨다.
실험 결과, MEOW와 AdaMEOW가 다른 최신 방법들에 비해 노드 분류 및 클러스터링 성능이 우수함을 보여준다.
Stats
이종 그래프에서 객체들은 다양한 유형의 관계로 연결되어 있다.
메타 경로는 객체 유형의 순서로 구성되며, 객체들 간의 의미적 관계를 나타낸다.
메타 경로 컨텍스트는 두 객체를 연결하는 경로 인스턴스들의 집합이다.
Quotes
"메타 경로 컨텍스트 정보를 활용하여 객체들이 어떻게 연결되어 있는지를 나타내는 세부 뷰를 구축하는 것이 필요하다."
"InfoNCE 손실 함수는 부정적 샘플을 구분하는 능력이 제한적이므로, 가중치가 부여된 부정적 샘플을 활용하는 새로운 손실 함수를 제안한다."
"노드 클러스터링 결과를 활용하여 부정적 샘플의 가중치를 결정하고, 프로토타입 대조 학습을 도입하여 같은 클러스터 내 노드들의 표현을 더 compact하게 만든다."