Contrastive FUSE: Apprendimento Scalabile su Grafi con Etichette Parziali
I ricercatori hanno introdotto Contrastive FUSE, un framework per l'apprendimento di rappresentazioni di nodi in grafi con etichette di coppia parziali e senza caratteristiche dei nodi. Ottimizza un obiettivo contrastivo spettrale che integra segnali di comunità con vincoli con segno. Un'approssimazione leggera sostituisce il costoso gradiente di modularità, consentendo un addestramento efficiente su grafi con milioni di archi. Esperimenti su reti di citazioni benchmark, grafi di co-acquisto e dataset OGB mostrano prestazioni di classificazione competitive o superiori.
Fatti principali
- Contrastive FUSE è un framework veloce e unificato per l'apprendimento scalabile di rappresentazioni di nodi.
- Gestisce grafi con etichette di coppia parzialmente disponibili e senza caratteristiche dei nodi.
- Il metodo ottimizza direttamente un obiettivo contrastivo spettrale.
- Integra segnali strutturali di comunità con vincoli di coppia con segno.
- Un'approssimazione leggera sostituisce il costoso gradiente di modularità.
- Lo schema di ottimizzazione include la decomposizione del gradiente naturale e l'adattamento del tasso di apprendimento.
- Gli esperimenti sono stati condotti su reti di citazioni benchmark, grandi grafi di co-acquisto e dataset OGB.
- Contrastive FUSE raggiunge prestazioni di classificazione contrastiva competitive o superiori.
Entità
Istituzioni
- arXiv