Node Embedding using Mutual Information and Self-Supervision based\n Bi-level Aggregation
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Graph Neural Networks (GNNs) learn low dimensional representations of nodes\nby aggregating information from their neighborhood in graphs. However,\ntraditional GNNs suffer from two fundamental shortcomings due to their local\n($l$-hop neighborhood) aggregation scheme. First, not all nodes in the\nneighborhood carry relevant information for the target node. Since GNNs do not\nexclude noisy nodes in their neighborhood, irrelevant information gets\naggregated, which reduces the quality of the representation. Second,\ntraditional GNNs also fail to capture long-range non-local dependencies between\nnodes. To address these limitations, we exploit mutual information (MI) to\ndefine two types of neighborhood, 1) \\textit{Local Neighborhood} where nodes\nare densely connected within a community and each node would share higher MI\nwith its neighbors, and 2) \\textit{Non-Local Neighborhood} where MI-based node\nclustering is introduced to assemble informative but graphically distant nodes\nin the same cluster. To generate node presentations, we combine the embeddings\ngenerated by bi-level aggregation - local aggregation to aggregate features\nfrom local neighborhoods to avoid noisy information and non-local aggregation\nto aggregate features from non-local neighborhoods. Furthermore, we leverage\nself-supervision learning to estimate MI with few labeled data. Finally, we\nshow that our model significantly outperforms the state-of-the-art methods in a\nwide range of assortative and disassortative graphs.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle