FA-GCL: Método de aprendizaje por contraste de gráficos aumentados por características

Área de la Ciencia:

• Aprendizaje de la Representación Gráfica
• Aprendizaje automático
• Ciencia de los datos

Sus antecedentes:

• Los métodos de aprendizaje por contraste de gráficos existentes a menudo se basan en atributos completos de nodos o información estructural.
• Los atributos de nodo incompletos y los falsos positivos de la mejora de la estructura dificultan el rendimiento en los datos de gráficos del mundo real.
• Se necesitan técnicas robustas de aprendizaje de representación gráfica que sean menos sensibles a la integridad de los datos.

Objetivo del estudio:

• Proponer un nuevo método de aprendizaje por contraste de gráficos basado en el aumento de características (FA-GCL).
• Mejorar la precisión y robustez de las representaciones gráficas.
• Abordar las limitaciones de los métodos existentes en el manejo de atributos de nodos incompletos y ruido estructural.

Principales métodos:

• Emplea una técnica de aumento de características basada en abandono dinámico con una función de onda triangular para tasas de abandono adaptativas.
• Introduce dos métodos de aumento de características basados en la descomposición de valor singular (SVD): el SVD completo y el SVD de proyección aleatoria.
• Los métodos SVD agregan ruido controlado a valores singulares y reconstruyen características para muestras aumentadas de alta calidad, con SVD aleatorio que ofrece complejidad lineal.

Principales resultados:

• FA-GCL demuestra un rendimiento superior consistente en doce conjuntos de datos de gráficos.
• El método supera significativamente los enfoques de línea de base en las tareas de clasificación de nodos, agrupación de nodos y clasificación de gráficos.
• El aumento de características resulta eficaz para mejorar la calidad y la robustez de las representaciones gráficas aprendidas.

Conclusiones:

• FA-GCL ofrece un enfoque robusto y efectivo para el aprendizaje de la representación de gráficos, particularmente cuando los atributos de los nodos están incompletos.
• Las estrategias de aumento de características propuestas mejoran el rendimiento y la generalización del modelo.
• Este trabajo avanza en el aprendizaje por contraste de gráficos mediante la introducción de técnicas de aumento de datos flexibles y potentes.