Główne pojęcia
이 논문은 그래프 대조적 학습을 인과 관점에서 연구하고, 이전 방법이 원본 그래프에 포함된 인과 정보를 무시하여 모델이 불변 표현을 학습하지 못하게 하는 것을 발견했습니다. 불변 표현을 학습하기 위해 우리는 인과 관점에서 새로운 GCL 방법을 제안합니다.
Streszczenie
그래프 대조적 학습(GCL)은 노드 표현을 학습하는 방법으로, 자기 지도 방식으로 두 가지 증가된 그래프를 대조함
GCL은 일반적으로 불변 표현을 학습한다고 여겨지지만, 실제로는 항상 그런 것은 아님
이 논문에서는 GCL을 인과 관점에서 연구하고, 구조적 인과 모델(SCM)로 GCL을 분석하여 전통적인 GCL이 불변 표현을 잘 학습하지 못할 수 있다는 것을 발견
SCM은 새로운 GCL 방법을 제안하는 동기를 제공하며, 스펙트럼 그래프 증가를 도입하여 비인과 요인에 개입하는 것을 시뮬레이션하고, 불변성 목표와 독립성 목표를 설계하여 인과 요인을 더 잘 포착하도록 함
실험 결과는 우리의 방법이 노드 분류 작업에서 효과적임을 입증
Statystyki
GCL은 노드 표현을 학습하는 방법
GCL은 두 가지 증가된 그래프를 대조함
GCL은 불변 표현을 학습한다고 여겨짐
Cytaty
"GCL은 노드 표현을 학습하는 방법으로, 자기 지도 방식으로 두 가지 증가된 그래프를 대조함"
"이 논문에서는 GCL을 인과 관점에서 연구하고, 구조적 인과 모델(SCM)로 GCL을 분석하여 전통적인 GCL이 불변 표현을 잘 학습하지 못할 수 있다는 것을 발견"