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.
他の言語に翻訳
原文コンテンツから
arxiv.org
深掘り質問