グラフ敵対的コントラスト学習によるロバストな表現の学習【JST・京大機械翻訳】

Guo Jiayan; Li Shangyang; Zhao Yue; Zhang Yan

プレプリント

J-GLOBAL ID：202202215285909601 整理番号：22P0282185

グラフ敵対的コントラスト学習によるロバストな表現の学習【JST・京大機械翻訳】

Learning Robust Representation through Graph Adversarial Contrastive Learning

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年01月31日プレプリントサーバーでの情報更新日： 2022年01月31日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

既存の研究は,グラフニューラルネットワーク(GNNs)によって発生するノード表現が,隣接行列とノード特徴の目立たない摂動のような敵対攻撃に脆弱であることを示した。したがって,グラフニューラルネットワークにおけるロバスト表現を学習することが必要である。グラフ表現学習のロバスト性を改善するために,著者らは,グラフ自己監督学習に敵対的増大を導入することによって,新しいグラフ敵対的コントラスト学習フレームワーク(ΔACL)を提案した。このフレームワークでは,摂動グラフの局所と大域的表現の間の相互情報とその敵対的増大を最大化し,そこでは,敵対グラフを教師つきまたは教師なし手法のいずれかで生成できる。情報Bottleneck原理に基づき,著者らは,著者らの方式が,はるかにタイトな境界を得ることができ,その結果,グラフ表現学習のロバスト性を改善することを証明した。経験的に,著者らはノード分類ベンチマークの範囲に関していくつかの方法を評価して,結果はグラフACLが以前の教師つき方法に関して同等の精度を達成することができることを示した。【JST・京大機械翻訳】

, , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能 , データ保護

, , , , ,

前のページに戻る