이 논문은 이분 그래프 해싱(BGH)을 위한 새로운 프레임워크인 SGBGH를 제안한다. BGH는 해밍 공간에서의 Top-K 검색을 지원하기 위해 사용되며, 최근 연구에서는 그래프 합성곱 해싱을 사용하여 최첨단 성능을 달성했다.
그러나 이러한 그래프 합성곱 해싱 모델의 다양한 영향 요인들이 해싱 성능에 미치는 기여도가 충분히 탐구되지 않았다. 이에 저자들은 먼저 LightGCH라는 경량 그래프 합성곱 해싱 모델을 구축하여 BGCH의 일부 증강 기법을 제거한다.
이후 LightGCH를 분석하여 두 가지 문제점을 발견했다. 첫째, 얕은 층에서 실제 이웃 노드들의 해밍 유사도가 낮다. 둘째, 깊은 층에서 모든 노드들의 해밍 유사도가 높다.
이를 해결하기 위해 SGBGH를 제안한다. SGBGH는 얕은 층에서 부호 기반 음수 샘플링을 사용하여 이웃 노드들의 해밍 유사도를 높이고, 깊은 층에서 부호 인식 대조 학습을 사용하여 더 균일한 표현을 학습한다.
실험 결과, SGBGH는 기존 최첨단 방법들을 크게 능가하는 성능을 보였다. 특히 희소 그래프에서 더 큰 이점을 보였으며, 학습 시간 또한 크게 단축되었다.
To Another Language
from source content
arxiv.org
Deeper Inquiries