Subgraph Gaussian Embedding Contrast for Self-supervised Graph Representation Learning

In diesem Kapitel wird Subgraph Gaussian Embedding Contrast (SubGEC) vorgestellt, ein neuartiges Rahmenwerk für das Lernen der selbstüberwachten Darstellung von Graphen. Die Methode bildet Teilgrafiken in einen Gaußschen Raum ab, wodurch eine kontrollierte Verteilung gewährleistet wird, während wesentliche Merkmale der Teilgrafik erhalten bleiben. Es integriert die Entfernungen Optimaler Transport (OT) Wasserstein und Gromov-Wasserstein in den kontrastiven Verlust, wodurch die Leistung bei Aufgaben wie Knotenklassifizierung und Linkvorhersage gesteigert wird. Die theoretische Analyse zeigt, dass SubGEC die Kullback-Leibler (KL) -Divergenz zwischen der gelernten Encoderverteilung und der Gaußschen Verteilung minimiert und gleichzeitig die gegenseitige Information zwischen Eingangs- und latenten Variablen maximiert. Experimentelle Ergebnisse zu mehreren Benchmark-Datensätzen bestätigen diese Erkenntnisse und zeigen, dass SubGEC im Vergleich zu früheren hochmodernen Modellen besser abschneidet oder konkurrenzfähig ist. Das Kapitel enthält auch Ablationsstudien, die die Bedeutung der KL-Regulierung und die Wahl der Entfernungsmessgröße für den Kontrastverlust hervorheben. Zusätzlich wird die Recheneffizienz von SubGEC diskutiert, was es für großflächige graphisch selbst überwachte Lernaufgaben geeignet macht.