論文の概要: Adaptive Topology Reconstruction for Robust Graph Representation Learning

• arxiv url: http://arxiv.org/abs/2406.17281v3
• Date: Tue, 11 Mar 2025 15:34:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 19:16:39.103363
• Title: Adaptive Topology Reconstruction for Robust Graph Representation Learning
• Title（参考訳）: ロバストグラフ表現学習のための適応的トポロジー再構成
• Authors: Dong Liu, Yanxuan Yu,
• Abstract要約: グラフニューラルネットワーク(GNN)は、グラフ表現のための半教師付き学習において基礎となっている。 GNN研究の最近の動向は適応型マルチホップ構造学習に焦点を当てている。 マルチホップ構造学習を動的に洗練するテキストバッファ適応再構築フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.185573921868495
• License:
• Abstract: Graph Neural Networks (GNNs) have become fundamental in semi-supervised learning for graph representation, leveraging their ability to capture complex node relationships. A recent trend in GNN research focuses on adaptive multi-hop structure learning, moving beyond fixed-hop aggregation to more flexible and dynamic neighborhood selection. While GAMLP \citep{Zhang_2022} employs separate MLP layers for each multi-hop domain and ImprovingTE \citep{Yao2023ImprovingTE} enhances this by injecting contextualized substructure information, these methods still rely heavily on predefined sampling strategies, which may limit their ability to generalize and maintain stable accuracy. To address these limitations, we propose an \textbf{adaptive reconstruction framework} that dynamically refines multi-hop structure learning. Inspired by "coreset selection" \citep{guo2022deepcore}, our approach adaptively \textbf{reconstructs} node neighborhoods to optimize message passing, ensuring more \textbf{effective and context-aware information flow} across the graph. To further enhance structural robustness, we introduce two key modules: the \textbf{Distance Recomputator} and the \textbf{Topology Reconstructor} (\textcolor{blue}{DRTR}). The Distance Recomputator \textbf{reassesses and recalibrates} node distances based on adaptive graph properties, leading to \textbf{improved node embeddings} that better reflect latent relationships. Meanwhile, the Topology Reconstructor \textbf{dynamically refines local graph structures}, enabling the model to \textbf{adapt to evolving graph topologies} and mitigate the impact of noise and mislabeled data. Empirical evaluations demonstrate that our \textbf{adaptive reconstruction framework} achieves \textbf{significant improvements} over existing multi-hop-based models, providing more \textbf{stable and accurate} performance in various graph learning benchmarks.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、複雑なノード関係をキャプチャする能力を活用して、グラフ表現のための半教師付き学習の基盤となっている。 GNN研究の最近の傾向は、適応的なマルチホップ構造学習に焦点を当てており、固定ホップアグリゲーションを超えて、より柔軟でダイナミックな地区選択へと移行している。 GAMLP \citep{Zhang_2022} は、各マルチホップドメインに別々の MLP レイヤを使用し、 ImprovingTE \citep{Yao2023ImprovingTE} は、コンテキスト化されたサブ構造情報を注入することでこれを強化するが、これらの手法は、まだ事前定義されたサンプリング戦略に大きく依存しており、それらの一般化と安定した精度を維持する能力を制限することができる。 これらの制約に対処するために,マルチホップ構造学習を動的に洗練する「textbf{adaptive reconstruction framework」を提案する。 コアセット選択(coreset selection) \citep{guo2022deepcore} にインスパイアされた我々のアプローチは、メッセージパッシングを最適化し、グラフ全体にわたってより高機能なtextbf{ Effective and context-aware information flow} を保証するために、ノード近傍を適応的に \textbf{reconstructs} にする。 構造的ロバスト性をさらに高めるために、2つの重要なモジュール: \textbf{Distance Recomputator} と \textbf{Topology Reconstructor} (\textcolor{blue}{DRTR})を導入する。 Distance Recomputator \textbf{reassesses and recalibrates} ノード距離は適応グラフ特性に基づいており、遅延関係をよりよく反映する。 一方、Topology Reconstructor \textbf{dynamically refines local graph structure} により、モデルは、進化するグラフトポロジに適応し、ノイズやラベルの誤りの影響を軽減することができる。 実験的な評価により,既存のマルチホップモデルに対して,我々の \textbf{adaptive Restruction framework} が \textbf{significant Improvement} を達成し,グラフ学習ベンチマークにおけるより優れた \textbf{stable and accurate} 性能を提供することが示された。

関連論文リスト

• Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
  本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。 提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。 これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
  論文  参考訳（メタデータ） (2024-09-09T12:56:02Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• Unleashing the Potential of Text-attributed Graphs: Automatic Relation Decomposition via Large Language Models [31.443478448031886]
  RoSE (Relation-oriented Semantic Edge-Decomposition) は、生のテキスト属性を分析してグラフ構造を分解する新しいフレームワークである。 我々のフレームワークは、さまざまなデータセットのノード分類性能を大幅に向上させ、ウィスコンシンデータセットでは最大16%の改善を実現した。
  論文  参考訳（メタデータ） (2024-05-28T20:54:47Z)
• Graph Data Condensation via Self-expressive Graph Structure Reconstruction [7.4525875528900665]
  我々は textbfSelf-presentive Graph Structure textbfReconstruction による textbfGraph Data textbfCondensation という新しいフレームワークを紹介した。 提案手法は,元のグラフ構造を凝縮過程に明示的に組み込んで,凝縮ノード間の不規則な相互依存性を捕捉する。
  論文  参考訳（メタデータ） (2024-03-12T03:54:25Z)
• Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
  グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。 FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。 ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2023-12-19T18:00:15Z)
• GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
  本稿では,この新たな問題設定の数学的定義を紹介する。 一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。 十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
  論文  参考訳（メタデータ） (2023-06-20T03:33:22Z)
• SE-GSL: A General and Effective Graph Structure Learning Framework through Structural Entropy Optimization [67.28453445927825]
  グラフニューラルネットワーク(GNN)は、構造的データ学習のデファクトソリューションである。 既存のグラフ構造学習(GSL)フレームワークには、堅牢性と解釈性がない。 本稿では、構造エントロピーと符号化木に抽象化されたグラフ階層を通して、一般的なGSLフレームワークSE-GSLを提案する。
  論文  参考訳（メタデータ） (2023-03-17T05:20:24Z)
• Graph Contrastive Learning for Skeleton-based Action Recognition [85.86820157810213]
  骨格に基づく行動認識のためのグラフコントラスト学習フレームワークを提案する。 SkeletonGCLは、グラフをクラス識別に強制することで、シーケンス間のグラフ学習を関連付ける。 SkeletonGCLは新しいトレーニングパラダイムを確立し、現在のグラフ畳み込みネットワークにシームレスに組み込むことができる。
  論文  参考訳（メタデータ） (2023-01-26T02:09:16Z)
• Neighborhood Homophily-based Graph Convolutional Network [4.511171093050241]
  グラフニューラルネットワーク(GNN)は、グラフ指向のタスクにおいて強力であることが証明されている。 多くの実世界のグラフは異性を持ち、古典的なGNNのホモフィリーな仮定に挑戦する。 最近の研究では、ホモフィリーを特徴付ける新しい指標を提案するが、提案する指標とモデルの相関を考えることは稀である。 本稿ではまず,ノード近傍におけるラベルの複雑さや純度を測定するため,新しい指標であるNeighborhood Homophily(textitNH)を設計する。
  論文  参考訳（メタデータ） (2023-01-24T07:56:44Z)
• Structure-Preserving Graph Representation Learning [43.43429108503634]
  本研究では,グラフの構造情報を完全にキャプチャする構造保存グラフ表現学習(SPGRL)手法を提案する。 具体的には、元のグラフの不確かさと誤情報を減らすために、k-Nearest Neighbor法による補完的なビューとして特徴グラフを構築する。 本手法は、半教師付きノード分類タスクにおいて非常に優れた性能を示し、グラフ構造やノード特徴に対するノイズ摂動下での堅牢性に優れる。
  論文  参考訳（メタデータ） (2022-09-02T02:49:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。