論文の概要: Str-GCL: Structural Commonsense Driven Graph Contrastive Learning

• arxiv url: http://arxiv.org/abs/2507.07141v1
• Date: Wed, 09 Jul 2025 03:41:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.141774
• Title: Str-GCL: Structural Commonsense Driven Graph Contrastive Learning
• Title（参考訳）: Str-GCL: 構造コモンセンス駆動型グラフコントラスト学習
• Authors: Dongxiao He, Yongqi Huang, Jitao Zhao, Xiaobao Wang, Zhen Wang,
• Abstract要約: グラフコントラスト学習(Str-GCL)における構造コモンセンス・アンベイリング(Structure Commonsense Unveiling)という新しいフレームワークを提案する。 Str-GCLは、一階述語論理規則を利用して構造的コモンセンスを表現し、それらをGCLフレームワークに明示的に統合する。 我々の知る限りでは、構造コモンセンスを直接GCLに組み込む最初の試みである。
• 参考スコア（独自算出の注目度）: 12.717666156052342
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Contrastive Learning (GCL) is a widely adopted approach in self-supervised graph representation learning, applying contrastive objectives to produce effective representations. However, current GCL methods primarily focus on capturing implicit semantic relationships, often overlooking the structural commonsense embedded within the graph's structure and attributes, which contains underlying knowledge crucial for effective representation learning. Due to the lack of explicit information and clear guidance in general graph, identifying and integrating such structural commonsense in GCL poses a significant challenge. To address this gap, we propose a novel framework called Structural Commonsense Unveiling in Graph Contrastive Learning (Str-GCL). Str-GCL leverages first-order logic rules to represent structural commonsense and explicitly integrates them into the GCL framework. It introduces topological and attribute-based rules without altering the original graph and employs a representation alignment mechanism to guide the encoder in effectively capturing this commonsense. To the best of our knowledge, this is the first attempt to directly incorporate structural commonsense into GCL. Extensive experiments demonstrate that Str-GCL outperforms existing GCL methods, providing a new perspective on leveraging structural commonsense in graph representation learning.
• Abstract（参考訳）: グラフコントラスト学習(GCL)は、自己教師付きグラフ表現学習において広く採用されている手法である。 しかし、現在のGCL法は主に暗黙のセマンティックな関係を捉え、しばしばグラフの構造と属性に埋め込まれた構造的コモンセンスを見落とし、効果的な表現学習に不可欠な基礎知識を含んでいる。 一般グラフにおける明示的な情報や明確なガイダンスが欠如しているため、そのような構造的コモンセンスをGCLに識別し、統合することは重要な課題である。 このギャップに対処するため,グラフコントラスト学習(Str-GCL)における構造コモンセンス・アンヴェイリング(Structure Commonsense Unveiling in Graph Contrastive Learning)という新しいフレームワークを提案する。 Str-GCLは、構造的コモンセンスを表現するために一階述語論理ルールを活用し、それらをGCLフレームワークに明示的に統合する。 元のグラフを変更することなく、トポロジ的および属性ベースのルールを導入し、エンコーダを誘導して、このコモンセンスを効果的に取得する。 我々の知る限りでは、構造コモンセンスを直接GCLに組み込む最初の試みである。 大規模な実験により、Str-GCLは既存のGCL法よりも優れており、グラフ表現学習における構造的コモンセンスの活用に関する新たな視点を提供する。

関連論文リスト

• Graph Self-Supervised Learning with Learnable Structural and Positional Encodings [39.20899720477907]
  我々は、$k$-hopメッセージパッシングスキームを統合したGNNフレームワークであるemphGenHopNetを紹介する。 また,学習過程全体を通してトポロジ的情報を組み込んだ構造的および位置対応GSSLフレームワークを提案する。 我々の研究は、類似の局所構造を持つグラフと異なるグローバルトポロジを持つグラフを区別するGSSLの能力を大幅に向上させた。
  論文  参考訳（メタデータ） (2025-02-22T14:10:06Z)
• 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)
• 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)
• Architecture Matters: Uncovering Implicit Mechanisms in Graph Contrastive Learning [34.566003077992384]
  本稿では,グラフコントラスト学習法(GCL)の体系的研究について述べる。 GNNの暗黙的帰納バイアスが対照的な学習にどのように作用するかを明らかにすることによって、理論上はGCLの興味深い性質に関する洞察を提供する。 既存のNNメソッドを直接GCLに移植するのではなく、グラフ学習のユニークなアーキテクチャにもっと注意を払うことを提唱する。
  論文  参考訳（メタデータ） (2023-11-05T15:54:17Z)
• 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)
• Uncovering the Structural Fairness in Graph Contrastive Learning [87.65091052291544]
  グラフコントラスト学習(GCL)は、ノード表現を学習するための有望な自己教師型アプローチとして登場した。 GCL法で得られた表現は,GCN法で学習した表現よりも既に公平であることを示す。 我々は、低次ノードと高次ノードに異なる戦略を適用し、GRAph contrastive learning for Degree bias (GRADE)と呼ばれるグラフ拡張手法を考案した。
  論文  参考訳（メタデータ） (2022-10-06T15:58:25Z)
• Structural and Semantic Contrastive Learning for Self-supervised Node Representation Learning [32.126228702554144]
  グラフコントラスト学習(GCL)は、自己教師型で一般化可能、転送可能、堅牢なノード表現を学習するために多くの研究関心を集めている。 この作業では、既存の教師なしのGCLを超越して、シンプルだが効果的なフレームワークであるS$3$-CLを提案し、それらの制限に対処します。 実験の結果、S$3$-CLで学習したノード表現は、最先端のGCL法と比較して、異なるダウンストリームタスクにおいて優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2022-02-17T07:20:09Z)

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。