ترجمه فارسی مقاله یادگیری نمایش گراف مقابله‌ای با بازسازی متقابل تخاصمی و گلوگاه اطلاعاتی

چکیده

Graph Neural Networks (GNNs) have received extensive research attention due to their powerful information aggregation capabilities. Despite the success of GNNs, most of them suffer from the popularity bias issue in a graph caused by a small number of popular categories. Additionally, real graph datasets always contain incorrect node labels, which hinders GNNs from learning effective node representations. Graph contrastive learning (GCL) has been shown to be effective in solving the above problems for node classification tasks. Most existing GCL methods are implemented by randomly removing edges and nodes to create multiple contrasting views, and then maximizing the mutual information (MI) between these contrasting views to improve the node feature representation. However, maximizing the mutual information between multiple contrasting views may lead the model to learn some redundant information irrelevant to the node classification task. To tackle this issue, we propose an effective Contrastive Graph Representation Learning with Adversarial Cross-view Reconstruction and Information Bottleneck (CGRL) for node classification, which can adaptively learn to mask the nodes and edges in the graph to obtain the optimal graph structure representation. Furthermore, we innovatively introduce the information bottleneck theory into GCLs to remove redundant information in multiple contrasting views while retaining as much information as possible about node classification. Moreover, we add noise perturbations to the original views and reconstruct the augmented views by constructing adversarial views to improve the robustness of node feature representation. Extensive experiments on real-world public datasets demonstrate that our method significantly outperforms existing state-of-the-art algorithms.

چکیده به فارسی (ترجمه ماشینی)

شبکه های عصبی نمودار (GNN) به دلیل قابلیت های قدرتمند جمع آوری اطلاعات ، توجه گسترده ای را به دست آورده اند.با وجود موفقیت GNN ، بیشتر آنها از مسئله تعصب محبوبیت در یک نمودار ناشی از تعداد کمی از دسته های محبوب رنج می برند.علاوه بر این ، مجموعه داده های نمودار واقعی همیشه حاوی برچسب های گره نادرست است ، که مانع GNN ها از یادگیری بازنمایی های مؤثر گره می شود.نشان داده شده است که یادگیری متضاد نمودار (GCL) در حل مشکلات فوق برای کارهای طبقه بندی گره مؤثر است.بیشتر روشهای GCL موجود با حذف تصادفی لبه ها و گره ها برای ایجاد چندین دیدگاه متضاد ، و سپس به حداکثر رساندن اطلاعات متقابل (MI) بین این دیدگاه های متضاد برای بهبود بازنمایی ویژگی گره اجرا می شوند.با این حال ، به حداکثر رساندن اطلاعات متقابل بین دیدگاه های متضاد متعدد ممکن است مدل را به یادگیری برخی از اطلاعات اضافی بی ربط به کار طبقه بندی گره سوق دهد.برای مقابله با این مسئله ، ما یک یادگیری نمایانگر نمودار متضاد مؤثر را با بازسازی دید متقابل متقاطع و تنگنای اطلاعات (CGRL) برای طبقه بندی گره پیشنهاد می کنیم ، که می تواند به طور تطبیقی ​​یاد بگیرد که گره ها و لبه ها را در نمودار ماسک کند تا نمایندگی ساختار نمودار بهینه را بدست آورد.علاوه بر این ، ما به طور خلاقانه نظریه تنگنا اطلاعات را در GCL ها معرفی می کنیم تا اطلاعات اضافی را در نمایش های متضاد چندگانه حذف کنیم و در عین حال اطلاعاتی را در مورد طبقه بندی گره حفظ کنیم.علاوه بر این ، ما آشفتگی های سر و صدا را به نماهای اصلی اضافه می کنیم و با ساختن دیدگاههای مخالف برای بهبود استحکام بازنمایی ویژگی گره ، بازسازی دیدگاه های افزوده را بازسازی می کنیم.آزمایش های گسترده در مورد مجموعه داده های عمومی در دنیای واقعی نشان می دهد که روش ما به طور قابل توجهی از الگوریتم های پیشرفته ترین پیشرفته تر است.