論文の概要: Rethinking Graph Contrastive Learning through Relative Similarity Preservation

• arxiv url: http://arxiv.org/abs/2505.05533v2
• Date: Mon, 12 May 2025 05:13:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 14:13:13.048914
• Title: Rethinking Graph Contrastive Learning through Relative Similarity Preservation
• Title（参考訳）: 相対的類似性保存によるグラフコントラスト学習の再考
• Authors: Zhiyuan Ning, Pengfei Wang, Ziyue Qiao, Pengyang Wang, Yuanchun Zhou,
• Abstract要約: 我々は11個の実世界のグラフを分析し、ホモフィリー・ヘテロフィリー二分法を超越する普遍的なパターンを発見する。 補完的なペアワイド実装とリストワイド実装を備えた新しいGCLフレームワークであるRELGCLを提案する。 我々の手法は、ホモフィリーグラフとヘテロフィリーグラフの両方にまたがる20の既存手法より一貫して優れている。
• 参考スコア（独自算出の注目度）: 14.58496938362924
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph contrastive learning (GCL) has achieved remarkable success by following the computer vision paradigm of preserving absolute similarity between augmented views. However, this approach faces fundamental challenges in graphs due to their discrete, non-Euclidean nature -- view generation often breaks semantic validity and similarity verification becomes unreliable. Through analyzing 11 real-world graphs, we discover a universal pattern transcending the homophily-heterophily dichotomy: label consistency systematically diminishes as structural distance increases, manifesting as smooth decay in homophily graphs and oscillatory decay in heterophily graphs. We establish theoretical guarantees for this pattern through random walk theory, proving label distribution convergence and characterizing the mechanisms behind different decay behaviors. This discovery reveals that graphs naturally encode relative similarity patterns, where structurally closer nodes exhibit collectively stronger semantic relationships. Leveraging this insight, we propose RELGCL, a novel GCL framework with complementary pairwise and listwise implementations that preserve these inherent patterns through collective similarity objectives. Extensive experiments demonstrate that our method consistently outperforms 20 existing approaches across both homophily and heterophily graphs, validating the effectiveness of leveraging natural relative similarity over artificial absolute similarity.
• Abstract（参考訳）: グラフコントラッシブ・ラーニング(GCL)は、拡張ビュー間の絶対的な類似性を保存するというコンピュータビジョンパラダイムに従うことで、目覚ましい成功を収めた。 ビュー生成は意味論的妥当性を損なうことが多く、類似性検証は信頼性を損なう。 11個の実世界のグラフを解析することにより、ホモフィリー・ヘテロフィリー二分法を超越する普遍パターンが発見される: ラベルの一貫性は構造的距離が増加するにつれて体系的に低下し、ホモフィリーグラフの滑らかな崩壊とヘテロフィリーグラフの振動減衰が現れる。 我々は、ランダムウォーク理論、ラベル分布収束の証明、および異なる崩壊挙動の背後にあるメカニズムを特徴付けることによって、このパターンの理論的保証を確立する。 この発見は、グラフが相対的類似性パターンを自然にエンコードしていることを明らかにし、構造的に近いノードは全体として強い意味関係を示す。 この知見を生かしたRELGCLは,これら固有のパターンを集合的類似性目的を通じて保存する,補足的かつリスト的実装を備えた新しいGCLフレームワークである。 実験により,本手法はホモフィリーグラフとヘテロフィリーグラフの両方にまたがる既存の20のアプローチを一貫して上回り,人工絶対類似性よりも自然相対類似性を活用する効果を検証した。

関連論文リスト

• Homophily-aware Heterogeneous Graph Contrastive Learning [23.38883104104888]
  我々は,同種ノード表現を学習するために,HGMSと呼ばれる新しい異種グラフコントラスト学習フレームワークを提案する。 具体的には、拡張ビューのホモフィリティーを高めるヘテロジニアスエッジドロップ増強戦略を設計する。 実際に,自己表現行列を解くための2つの手法を開発した。
  論文  参考訳（メタデータ） (2025-01-15T02:56:50Z)
• SiMilarity-Enhanced Homophily for Multi-View Heterophilous Graph Clustering [18.108753344903473]
  マルチビューヘテロ親和性グラフクラスタリング(SMHGC)のためのSiMilarity-enhanced Homophilyを提案する。 多視点ヘテロ親和性データセットおよびホモ親和性データセットの最先端実験結果は、教師なし多視点ヘテロ親和性グラフ学習における類似性の強い能力を示す。
  論文  参考訳（メタデータ） (2024-10-04T16:55:35Z)
• When Heterophily Meets Heterogeneous Graphs: Latent Graphs Guided Unsupervised Representation Learning [6.2167203720326025]
  非教師付きヘテロジニアスグラフ表現学習(UHGRL)は,ラベルのない実用的なグラフを扱うことの重要性から注目されている。 我々はセマンティックなヘテロフィリーを定義し、この問題に対処するためにLatGRL(Latent Graphs Guided Unsupervised Representation Learning)と呼ばれる革新的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-01T10:25:06Z)
• Nonparametric Partial Disentanglement via Mechanism Sparsity: Sparse Actions, Interventions and Sparse Temporal Dependencies [58.179981892921056]
  この研究は、メカニズムのスパーシティ正則化(英語版)と呼ばれる、アンタングルメントの新たな原理を導入する。 本稿では,潜在要因を同時に学習することで,絡み合いを誘発する表現学習手法を提案する。 学習した因果グラフをスパースに規則化することにより、潜伏因子を復元できることを示す。
  論文  参考訳（メタデータ） (2024-01-10T02:38:21Z)
• Single-Pass Contrastive Learning Can Work for Both Homophilic and Heterophilic Graph [60.28340453547902]
  グラフコントラッシブ・ラーニング(GCL)技術は通常、コントラッシブ・ロスを構築するために単一のインスタンスに対して2つのフォワードパスを必要とする。 既存のGCLアプローチは、強力なパフォーマンス保証を提供していない。 我々はSingle-Pass Graph Contrastive Learning法(SP-GCL)を実装した。 経験的に、SP-GCLが学んだ機能は、計算オーバーヘッドを著しく少なくして、既存の強いベースラインにマッチまたは性能を向上することができる。
  論文  参考訳（メタデータ） (2022-11-20T07:18:56Z)
• Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
  本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-25T03:54:53Z)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)
• Attributable Visual Similarity Learning [90.69718495533144]
  本稿では、画像間のより正確で説明可能な類似度測定のための帰属的視覚類似度学習(AVSL)フレームワークを提案する。 人間の意味的類似性認知に動機づけられた2つの画像とグラフとの類似性を表現するために,一般化された類似性学習パラダイムを提案する。 CUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、既存の深い類似性学習方法よりも大幅に改善されたことを示している。
  論文  参考訳（メタデータ） (2022-03-28T17:35:31Z)
• Homogeneous and Heterogeneous Relational Graph for Visible-infrared Person Re-identification [20.30508026932434]
  Visible-infrared person re-identification (VI Re-ID) は、可視光と赤外線のモダリティ間の人物像のマッチングを目的としている。 既存のVI Re-ID法は主に1つの画像から均一な構造関係を抽出することに焦点を当てている。 本稿では,モーダリティ固有のグラフを用いて,各モーダリティ内の同種構造関係をモデル化する。 次に、これらの2つのモジュラリティ固有グラフにおける不均一構造相関について検討する。
  論文  参考訳（メタデータ） (2021-09-18T02:51:16Z)

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。