論文の概要: Self-Supervised Graph Learning via Spectral Bootstrapping and Laplacian-Based Augmentations

• arxiv url: http://arxiv.org/abs/2506.20362v1
• Date: Wed, 25 Jun 2025 12:23:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-26 21:00:42.731497
• Title: Self-Supervised Graph Learning via Spectral Bootstrapping and Laplacian-Based Augmentations
• Title（参考訳）: スペクトルブートストラップとラプラシアンに基づく拡張による自己教師付きグラフ学習
• Authors: Lorenzo Bini, Stephane Marchand-Maillet,
• Abstract要約: 本稿では,新しいグラフ学習フレームワークLaplaceGNNを紹介する。 本手法は学習過程にラプラシアンに基づく信号を統合する。 LaplaceGNNは最先端の自己教師付きグラフ法に比べて優れた性能を発揮する。
• 参考スコア（独自算出の注目度）: 1.0377683220196872
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present LaplaceGNN, a novel self-supervised graph learning framework that bypasses the need for negative sampling by leveraging spectral bootstrapping techniques. Our method integrates Laplacian-based signals into the learning process, allowing the model to effectively capture rich structural representations without relying on contrastive objectives or handcrafted augmentations. By focusing on positive alignment, LaplaceGNN achieves linear scaling while offering a simpler, more efficient, self-supervised alternative for graph neural networks, applicable across diverse domains. Our contributions are twofold: we precompute spectral augmentations through max-min centrality-guided optimization, enabling rich structural supervision without relying on handcrafted augmentations, then we integrate an adversarial bootstrapped training scheme that further strengthens feature learning and robustness. Our extensive experiments on different benchmark datasets show that LaplaceGNN achieves superior performance compared to state-of-the-art self-supervised graph methods, offering a promising direction for efficiently learning expressive graph representations.
• Abstract（参考訳）: 本稿では、スペクトルブートストラップ技術を活用することで、ネガティブサンプリングの必要性を回避し、自己教師付きグラフ学習フレームワークLaplaceGNNを提案する。 提案手法は学習過程にラプラシア語に基づく信号を統合することで,コントラスト的な目的や手作りの強化に頼ることなく,リッチな構造表現を効果的に捉えることができる。 LaplaceGNNは、肯定的なアライメントに焦点を当てることで、さまざまなドメインにまたがって適用可能な、よりシンプルで効率的で自己管理的なグラフニューラルネットワーク代替手段を提供しながら、線形スケーリングを実現している。 コントリビューションは2つある:最大限の集中度誘導最適化によりスペクトル増強をプリ計算し、手作りの強化に頼ることなくリッチな構造的監督を可能にし、さらに、機能学習と堅牢性をさらに強化する対向的なブートストラップトレーニングスキームを統合する。 異なるベンチマークデータセットに対する広範な実験により、LaplaceGNNは最先端の自己教師付きグラフ法よりも優れた性能を示し、表現グラフ表現を効率的に学習するための有望な方向を提供する。

関連論文リスト

• Self-Reinforced Graph Contrastive Learning [7.49025068464945]
  SRGCL(Self-Reinforced Graph Contrastive Learning)を提案する。 多様なグラフレベルの分類タスクの実験では、SRGCLは最先端のGCL法よりも一貫して優れている。
  論文  参考訳（メタデータ） (2025-05-19T18:45:54Z)
• Depth-Adaptive Graph Neural Networks via Learnable Bakry-'Emery Curvature [7.2716257100195385]
  グラフニューラルネットワーク(GNN)は、グラフベースのタスクに対して強力な表現学習能力を示す。 GNNの最近の進歩は、曲率などの幾何学的性質を活用して表現能力を向上している。 本稿では,情報伝達における構造的側面とタスク駆動的側面の両方を捉えたBakry-'Emery曲率の統合を提案する。
  論文  参考訳（メタデータ） (2025-03-03T00:48:41Z)
• Self-supervision meets kernel graph neural models: From architecture to augmentations [36.388069423383286]
  カーネルグラフニューラルネットワーク(KGNN)の設計と学習の改善 我々はLGA(Latent graph augmentation)と呼ばれる新しい構造保存グラフデータ拡張法を開発した。 提案モデルは,最先端のグラフ表現学習フレームワークに匹敵する,あるいは時として優れる性能を実現する。
  論文  参考訳（メタデータ） (2023-10-17T14:04:22Z)
• Label Deconvolution for Node Representation Learning on Large-scale Attributed Graphs against Learning Bias [72.33336385797944]
  本稿では,学習バイアスを軽減するため,ラベルの効率的な正規化手法であるラベルデコンボリューション(LD)を提案する。 LDはOpen Graph Benchmarkデータセット上で最先端の手法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-09-26T13:09:43Z)
• GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
  Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。 我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。 学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
  論文  参考訳（メタデータ） (2022-12-07T10:19:39Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
  本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。 具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
  論文  参考訳（メタデータ） (2022-01-17T11:57:29Z)
• Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
  学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。 FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
  論文  参考訳（メタデータ） (2020-10-19T21:51:47Z)

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。