論文の概要: Khan-GCL: Kolmogorov-Arnold Network Based Graph Contrastive Learning with Hard Negatives

• arxiv url: http://arxiv.org/abs/2505.15103v2
• Date: Fri, 08 Aug 2025 06:14:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 14:17:29.356799
• Title: Khan-GCL: Kolmogorov-Arnold Network Based Graph Contrastive Learning with Hard Negatives
• Title（参考訳）: Khan-GCL:Kolmogorov-Arnoldネットワークによるハード負のグラフコントラスト学習
• Authors: Zihu Wang, Boxun Xu, Hejia Geng, Peng Li,
• Abstract要約: Khan-GCL は Kolmogorov-Arnold Network (KAN) を GCL エンコーダアーキテクチャに統合する新しいフレームワークである。 我々は、KAN係数パラメータ内に埋め込まれたリッチな情報を利用して、2つの新しい重要な特徴識別技術を開発した。 これらの手法により、各グラフ表現に対して意味論的に有意な強陰性サンプルを生成することができる。
• 参考スコア（独自算出の注目度）: 3.440313042843115
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Graph contrastive learning (GCL) has demonstrated great promise for learning generalizable graph representations from unlabeled data. However, conventional GCL approaches face two critical limitations: (1) the restricted expressive capacity of multilayer perceptron (MLP) based encoders, and (2) suboptimal negative samples that either from random augmentations-failing to provide effective 'hard negatives'-or generated hard negatives without addressing the semantic distinctions crucial for discriminating graph data. To this end, we propose Khan-GCL, a novel framework that integrates the Kolmogorov-Arnold Network (KAN) into the GCL encoder architecture, substantially enhancing its representational capacity. Furthermore, we exploit the rich information embedded within KAN coefficient parameters to develop two novel critical feature identification techniques that enable the generation of semantically meaningful hard negative samples for each graph representation. These strategically constructed hard negatives guide the encoder to learn more discriminative features by emphasizing critical semantic differences between graphs. Extensive experiments demonstrate that our approach achieves state-of-the-art performance compared to existing GCL methods across a variety of datasets and tasks.
• Abstract（参考訳）: グラフコントラスト学習(GCL)は、ラベルのないデータから一般化可能なグラフ表現を学習する大きな可能性を証明している。 しかし,従来のGCLアプローチでは,(1)多層パーセプトロン (MLP) ベースのエンコーダの制限された表現能力,(2) グラフデータの識別に不可欠な意味的区別に対処することなく,有意な「強陰性」あるいは生成された強陰性を与えるために,ランダムな増大から生じる最適でないサンプルの2つの限界に直面している。 そこで我々は,Khan-GCLを提案する。Khan-GCLはKolmogorov-Arnold Network(KAN)をGCLエンコーダアーキテクチャに統合し,その表現能力を大幅に向上させる。 さらに, カン係数パラメータ内に埋め込まれたリッチな情報を利用して, グラフ表現毎に意味論的に有意な強陰性サンプルを生成する2つの重要な特徴識別手法を開発した。 これらの戦略的に構築された強陰性は、グラフ間の重要な意味的差異を強調することによって、エンコーダにより識別的な特徴を学ぶように誘導する。 大規模な実験により,本手法は,さまざまなデータセットやタスクにまたがる既存のGCL手法と比較して,最先端の性能を実現することが示された。

関連論文リスト

• Squeeze and Excitation: A Weighted Graph Contrastive Learning for Collaborative Filtering [1.3535213052193866]
  グラフコントラスト学習(GCL)は、表現学習の堅牢性を高めることを目的としている。 Weighted Graph Contrastive Learning framework (WeightedGCL)は、特徴の非合理的な割り当てに対処する。 重み付けGCLは、競合するベースラインに比べて大幅に精度が向上する。
  論文  参考訳（メタデータ） (2025-04-06T11:30:59Z)
• HyperGCL: Multi-Modal Graph Contrastive Learning via Learnable Hypergraph Views [6.17062506211443]
  グラフコントラスト学習(GCL)は,グラフ表現の改善に顕著な効果を示した。 本稿では,ハイパーグラフの観点から,新しいマルチモーダルGCLフレームワークであるHyperGCLを紹介する。
  論文  参考訳（メタデータ） (2025-02-18T20:57:56Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• GRE^2-MDCL: Graph Representation Embedding Enhanced via Multidimensional Contrastive Learning [0.0]
  グラフ表現学習は、ノードをベクトル表現にマッピングする際にグラフトポロジを保存する強力なツールとして登場した。 現在のグラフニューラルネットワークモデルは、広範なラベル付きデータを必要とするという課題に直面している。 多次元コントラスト学習によるグラフ表現埋め込みを提案する。
  論文  参考訳（メタデータ） (2024-09-12T03:09:05Z)
• Generative-Contrastive Heterogeneous Graph Neural Network [17.889906784627904]
  異種グラフ(HG)は、マルチタイプのノードとエッジを通じて、実世界の複雑な関係を効果的にモデル化する。 コントラスト学習(CL)ベースのヘテロジニアスグラフニューラルネットワーク(HGNN)は、下流タスクにデータ拡張とコントラスト識別を活用できる大きな可能性を示している。 我々はGC-HGNN(Generative-Contrastive Heterogeneous Graph Neural Network)を提案する。 具体的には、CLに基づくパラダイムを強化する異種グラフ生成学習手法を提案する。
  論文  参考訳（メタデータ） (2024-04-03T15:31:18Z)
• Graph-level Protein Representation Learning by Structure Knowledge Refinement [50.775264276189695]
  本稿では、教師なしの方法でグラフ全体の表現を学習することに焦点を当てる。 本稿では、データ構造を用いて、ペアが正か負かの確率を決定する構造知識精製(Structure Knowledge Refinement, SKR)という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-05T09:05:33Z)
• Rethinking and Simplifying Bootstrapped Graph Latents [48.76934123429186]
  グラフ・コントラッシブ・ラーニング(GCL)はグラフ自己教師型ラーニングにおいて代表的なパラダイムとして登場した。 SGCLは2つの繰り返しの出力を正のペアとして利用するシンプルで効果的なGCLフレームワークである。 我々は,SGCLがより少ないパラメータ,少ない時間と空間コスト,およびかなりの収束速度で競合性能を達成可能であることを示す。
  論文  参考訳（メタデータ） (2023-12-05T09:49:50Z)
• LightGCL: Simple Yet Effective Graph Contrastive Learning for Recommendation [9.181689366185038]
  グラフニューラルクラスタリングネットワーク(GNN)は、グラフベースのレコメンデータシステムのための強力な学習手法である。 本稿では,単純なグラフコントラスト学習パラダイムであるLightGCLを提案する。
  論文  参考訳（メタデータ） (2023-02-16T10:16:21Z)
• Localized Contrastive Learning on Graphs [110.54606263711385]
  局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。 その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
  論文  参考訳（メタデータ） (2022-12-08T23:36:00Z)
• 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)
• Unifying Graph Contrastive Learning with Flexible Contextual Scopes [57.86762576319638]
  フレキシブルコンテキストスコープを用いたグラフコントラスト学習(略してUGCL)という自己教師型学習手法を提案する。 本アルゴリズムは,隣接行列のパワーを制御し,コンテキストスコープによるフレキシブルな文脈表現を構築する。 局所的スコープと文脈的スコープの両方の表現に基づいて、distLはグラフ表現学習のための非常に単純な対照的な損失関数を最適化する。
  論文  参考訳（メタデータ） (2022-10-17T07:16:17Z)

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。