UED: 간선 판별기와 탈결합 인코더를 사용한 비지도 그래프 표현 학습 모델 (UED: Unsupervised Graph Representation Learning Model Using an Edge Discriminator and a Decoupling Encoder)

서지정보

· 발행기관 : 한국정보과학회
· 수록지 정보 : 정보과학회 컴퓨팅의 실제 논문지 / 30권 / 7호 / 330 ~ 335페이지
· 저자명 : 이희태, 황혜수

초록

비지도 그래프 표현 학습은 과평탄화로 인해 정점 표현의 품질이 저하될 수 있다. 과평탄화의 주요 원인은 이질적인 이웃 정점의 병합, 그래프 합성곱에서 전파와 특징 변환의 결합이다. 이를 해결하기 위해 본 연구는 간선 판별기와 탈결합 인코더를 사용하는 비지도 그래프 대조 학습 모델인 UED를 제안한다. 구체적으로, 간선 판별기는 이질적 이웃 정점 병합으로 인한 과평탄화를 완화하고, 탈결합 인코더는 전파와 특징 변환의 결합으로 인한 과평탄화를 완화한다. 또, 데이터셋의 성질을 고려하여 특징 정보 기반의 kNN(k-Nearest Neighbor)과 구조 정보 기반의 kNN을 이용하여 양성 샘플링한다. 6개의 이질 간선 그래프 데이터셋에서 정점 분류 실험을 수행하여 제안 방법의 효과를 입증했다.

영어초록

Unsupervised graph representation learning can suffer from an oversmoothing issue, leading to deterioration in the quality of node representations. Main causes of oversmoothing includeheterophilic neighbor aggregation and coupling of propagation with feature transformation during graph convolution. To address this issue, we proposed an unsupervised graph contrastive learning model, UED (Unsupervised Graph Representation Learning Model Using an Edge Discriminator and a Decoupling Encoder). It uses an edge discriminator and a decoupling encoder. Specifically, the edge discriminator mitigates oversmoothing caused by heterophilic neighbor aggregation, while the decoupling encoder alleviates oversmoothing caused by the coupling of propagation with feature transformation. In addition, considering the nature of the dataset, feature information-based kNN(k-Nearest Neighbor) and structure information-based kNN were used to perform positive sampling. We demonstrated the effectiveness of the proposed method with experiments on node classification tasks using six heterophilic graph datasets.

참고자료

· 없음