G2CL: Aprendizaje contrastivo de grafos guiado por gradientes para eliminar el conflicto contrastivo de mensajes

Área de la Ciencia:

• Inteligencia Artificial
• Aprendizaje Automático
• Aprendizaje de Representación de Grafos

Sus antecedentes:

• Los métodos de aprendizaje contrastivo de grafos que utilizan la pérdida InfoNCE han avanzado en el aprendizaje de la representación de grafos.
• Los métodos existentes luchan con el conflicto contrastivo de mensajes (MCC) debido a la pérdida InfoNCE y al paso de mensajes de las redes neuronales de grafos, lo que dificulta la minimización de la similitud de las muestras negativas.

Objetivo del estudio:

• Abordar el conflicto contrastivo de mensajes (MCC) en el aprendizaje contrastivo de grafos.
• Resolver los problemas de muestras de falsos negativos y el efecto de conflicto de cola larga (LCE) bajo MCC.
• Proponer un nuevo método de aprendizaje contrastivo de grafos guiado por gradientes (G2CL).

Principales métodos:

• Se demostró teóricamente la existencia e impacto del MCC, las muestras de falsos negativos y el LCE.
• Se introdujo un capturador dinámico guiado por gradientes para eliminar el MCC.
• Se desarrolló una estrategia de falsos negativos que aprovecha la información semántica y topológica del grafo.
• Se propuso un mecanismo de paso de mensajes basado en feromonas para abordar el LCE.

Principales resultados:

• El método propuesto G2CL elimina eficazmente el MCC.
• La estrategia de falsos negativos y el mecanismo basado en feromonas abordan desafíos clave.
• Experimentos exhaustivos en 11 conjuntos de datos validaron la superioridad de G2CL.

Conclusiones:

• G2CL mejora significativamente el aprendizaje contrastivo de grafos al resolver el MCC.
• Los nuevos componentes de G2CL ofrecen soluciones efectivas para falsos negativos y LCE.
• G2CL establece un nuevo punto de referencia de rendimiento de última generación en el aprendizaje de la representación de grafos.