核心概念
バイパーティットグラフハッシングにおいて、浅層の埋め込みでは実際の隣接ノードのハミング類似度が低く、深層の埋め込みでは全てのノードのハミング類似度が高いという問題を解決するため、符号付きネガティブサンプリングと符号認識対比学習を提案する。
要約
本論文は、バイパーティットグラフハッシング(BGH)のための新しい手法であるSign-Guided Bipartite Graph Hashing (SGBGH)を提案している。
まず、軽量なグラフ畳み込みハッシングモデルであるLightGCHを構築し、各層と各ノードタイプの寄与を分析した。その結果、LightGCHには以下の2つの問題があることが分かった:
- 浅層の埋め込みでは、実際の隣接ノードのハミング類似度が低い
- 深層の埋め込みでは、全てのノードのハミング類似度が高い
そこで、SGBGHでは以下の2つの手法を提案して、これらの問題に取り組む:
- 符号付きネガティブサンプリング: 浅層の埋め込みにおいて、符号情報を利用してハミング類似度の高いネガティブサンプルを選択することで、実際の隣接ノードのハミング類似度を高める。
- 符号認識対比学習: 深層の埋め込みにおいて、最終層の埋め込みと前層の埋め込みの和の類似度を最大化することで、より一様な表現を学習する。
実験結果から、SGBGHは既存の手法と比べて大幅な性能向上を示し、ハミング空間検索の精度と効率性を向上させることができることが分かった。
統計
実際の隣接ノードのハミング類似度は浅層で低く、深層で高い
全てのノードのハミング類似度は深層で高い
引用
"バイパーティットグラフハッシングにおいて、浅層の埋め込みでは実際の隣接ノードのハミング類似度が低く、深層の埋め込みでは全てのノードのハミング類似度が高いという問題を解決する"
"符号付きネガティブサンプリングと符号認識対比学習を提案し、これらの問題に取り組む"