BeSCL: 그래프 노드 분류를 위한 개선된준지도 및 대조학습 = BeSCL: Better Semi-supervised and Contrastive Learning for graph node classification

다국어 초록 (Multilingual Abstract)

There has been much research on semi-supervised and unsupervised learningmethods to address the problem of graph node classification. In particular, there is alot of interest in addressing situations where label information is scarce. To addressthis, we propose a new algorithm called BeSCL (Better Semi-supervised andContrastive Learning) that combines label-based data augmentation and contrastivelearning. BeSCL is designed for semi-supervised learning environments and appliesdata augmentation to the graph to create new graph data, which is then trainedusing contrastive learning in an unsupervised learning environment. Experimentalresults show that BeSCL exhibits robust performance regardless of the amount ofdata and outperforms existing node classification methods

국문 초록 (Abstract)

그래프 노드 분류 문제를 해결하기 위해 많은 준지도 및 비지도 학습 방법들이 연구되고 있다. 특히 레이블 정보가 부족한 상황을 많이 해결하고자 하는데, 우리는 이를 해결하고자 레이블 정보를 이용한 데이터 증강과 대조 학습을 결합한 BeSCL(Better Semi-supervised andContrastive Learning) 이라는 새로운 알고리즘을 제안한다. BeSCL은 준지도 학습 환경에서 진행되며, 그래프에 데이터 증강을 적용하여, 새로운 그래프 데이터를 만들고 이를 비지도 학습 환경에서 이용되는 대조 학습을 이용하여 학습한다. 실험결과, BeSCL은 데이터 양에 관계 없이 강건한 성능을 보이며, 기존 노드 분류 방법론 대비 더 뛰어난 성능을 보인다.

참고문헌 (Reference)

• 1 Thomas N Kipf, "Variational gra ph auto-encoders" 4078-4087, 2016
• 2 F. Scarselli, "The Graph Neural Network Mo del" 20 (20): 61-80, 2019
• 3 Thomas N Kipf, "Semi-supervise d classification with graph convolutional networks" 2017
• 4 Keyulu Xu, "How powerful are graph neural network s?" 2019
• 5 Yuning You, "Graph contr astive learning with augmentations" 2020
• 6 Petar Veličković, "Deep graph infomax" 2019
• 7 Jesper E Van Engelen, "A surv ey on semi-supervised learning" 109 : 373-440, 2020