자기 지도 그래프 표현 학습을 위한 다중 스케일 대비 시암 네트워크

그래프 표현 학습은 그래프 구조 데이터 처리에서 중요한 역할을 합니다. 그러나 그래프 표현 학습에 대한 기존 연구는 레이블 정보에 크게 의존합니다. 이 문제를 극복하기 위해, 우리는 최근의 그래프 대비 학습 및 시암 네트워크의 시각적 표현 학습 성공에 영감을 받아, 이 논문에서 다중 스케일 대비 학습으로 시암 자기 증류를 강화하여 노드 표현을 학습하는 새로운 자기 지도 접근 방식을 제안합니다. 구체적으로, 우리는 먼저 입력 그래프에서 지역 및 글로벌 관점을 기반으로 두 개의 증강된 뷰를 생성합니다. 그런 다음, 서로 다른 뷰와 네트워크에서 노드 표현 간의 일치를 극대화하기 위해 교차 뷰 및 교차 네트워크 대비성을 양 목표로 삼습니다. 우리의 접근법의 효과를 입증하기 위해, 우리는 다섯 개의 실제 데이터 세트에 대해 실험을 수행합니다. 우리의 방법은 새로운 최첨단 결과를 달성할 뿐만 아니라 일부 반지도 학습 기법보다 큰 차이로 우수합니다. 코드는 https://github.com/GRAND-Lab/MERIT에서 확인하실 수 있습니다.