DisenSemi: Semi-supervised Graph Classification via Disentangled Representation Learning

要約

グラフの分類は、画像、ビデオ、ソーシャル ネットワークなどのさまざまな種類のマルチメディア データを表すためにグラフが使用される多くのマルチメディア アプリケーションにおいて重要なタスクです。
それにもかかわらず、現実のシナリオでは、ラベル付きグラフ データが制限されたり、不足したりする可能性があります。
この問題に対処するために、半教師ありグラフ分類の問題に焦点を当てます。これには、ラベル付きデータとラベルなしデータから学習する教師ありモデルと教師なしモデルの両方が含まれます。
教師なしモデルから教師ありモデルに知識全体を転送する最近のアプローチとは対照的に、効果的な転送では、教師ありタスクとよく整合する関連するセマンティクスのみを保持する必要があると主張します。
この論文では、半教師ありグラフ分類のためのもつれ解除表現を学習する DisenSemi という新しいフレームワークを提案します。
具体的には、教師ありモデルと教師なしモデルの両方の因子ごとのグラフ表現を生成するために、解きほぐされたグラフ エンコーダーが提案されています。
次に、教師あり目的制約と相互情報量 (MI) ベースの制約をそれぞれ介して 2 つのモデルをトレーニングします。
教師なしエンコーダーから教師ありエンコーダーへの知識の意味のある伝達を確実にするために、2 つのモデル間の MI ベースのもつれの解けた一貫性正則化をさらに定義し、現在のグラフ分類タスクとよく整合する対応する理論的根拠を特定します。
公的にアクセス可能なさまざまなデータセットに関する実験結果により、DisenSemi の有効性が明らかになりました。

要約(オリジナル)

Graph classification is a critical task in numerous multimedia applications, where graphs are employed to represent diverse types of multimedia data, including images, videos, and social networks. Nevertheless, in real-world scenarios, labeled graph data can be limited or scarce. To address this issue, we focus on the problem of semi-supervised graph classification, which involves both supervised and unsupervised models learning from labeled and unlabeled data. In contrast to recent approaches that transfer the entire knowledge from the unsupervised model to the supervised one, we argue that an effective transfer should only retain the relevant semantics that align well with the supervised task. In this paper, we propose a novel framework named DisenSemi, which learns disentangled representation for semi-supervised graph classification. Specifically, a disentangled graph encoder is proposed to generate factor-wise graph representations for both supervised and unsupervised models. Then we train two models via supervised objective and mutual information (MI)-based constraints respectively. To ensure the meaningful transfer of knowledge from the unsupervised encoder to the supervised one, we further define an MI-based disentangled consistency regularization between two models and identify the corresponding rationale that aligns well with the current graph classification task. Experimental results on a range of publicly accessible datasets reveal the effectiveness of our DisenSemi.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google