ELU-GCN: Effectively Label-Utilizing Graph Convolutional Network

要約

グラフ畳み込みネットワーク (GCN) のメッセージ パッシング メカニズムにより、ラベル情報をより広範囲の隣接ネットワークに伝播できるようになり、ラベルの使用率が向上します。
しかし、従来の GCN フレームワークでは、ラベル情報が必ずしも有効に活用されているわけではありません。
この問題に対処するために、私たちは ELU-GCN と呼ばれる新しい 2 段階のフレームワークを提案します。
第 1 段階では、ELU-GCN はグラフ学習を行って新しいグラフ構造 (\ie ELU-graph) を学習します。これにより、GCN はラベル情報を有効に活用できるようになります。
第 2 段階では、学習された ELU グラフと元のグラフの間の一貫性と相互排他的な情報を調査することにより、表現学習用の GCN フレームワーク上で新しいグラフ対比学習を設計します。
さらに、提案手法が GCN の汎化能力を保証できることを理論的に示します。
広範な実験により、提案された方法の優位性が検証されています。

要約(オリジナル)

The message-passing mechanism of graph convolutional networks (i.e., GCNs) enables label information to be propagated to a broader range of neighbors, thereby increasing the utilization of labels. However, the label information is not always effectively utilized in the traditional GCN framework. To address this issue, we propose a new two-step framework called ELU-GCN. In the first stage, ELU-GCN conducts graph learning to learn a new graph structure (\ie ELU-graph), which enables GCNs to effectively utilize label information. In the second stage, we design a new graph contrastive learning on the GCN framework for representation learning by exploring the consistency and mutually exclusive information between the learned ELU graph and the original graph. Moreover, we theoretically demonstrate that the proposed method can ensure the generalization ability of GCNs. Extensive experiments validate the superiority of the proposed method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google