論文の概要: Contrastive Multi-View Graph Hashing
- arxiv url: http://arxiv.org/abs/2508.12377v1
- Date: Sun, 17 Aug 2025 14:27:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-19 14:49:10.70822
- Title: Contrastive Multi-View Graph Hashing
- Title（参考訳）: 対照的なマルチビューグラフハッシュ
- Authors: Yang Xu, Zuliang Yang, Kai Ming Ting,
- Abstract要約: Contrastive Multi-view Graph Hashing (CMGHash)は、マルチビューグラフデータから統一的で差別的なバイナリ埋め込みを学習するために設計された、新しいエンドツーエンドフレームワークである。
いくつかのベンチマークデータセットの実験では、CMGHashは検索精度において既存のアプローチよりも大幅に優れていた。
- 参考スコア（独自算出の注目度）: 8.30973300514715
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multi-view graph data, which both captures node attributes and rich relational information from diverse sources, is becoming increasingly prevalent in various domains. The effective and efficient retrieval of such data is an important task. Although multi-view hashing techniques have offered a paradigm for fusing diverse information into compact binary codes, they typically assume attributes-based inputs per view. This makes them unsuitable for multi-view graph data, where effectively encoding and fusing complex topological information from multiple heterogeneous graph views to generate unified binary embeddings remains a significant challenge. In this work, we propose Contrastive Multi-view Graph Hashing (CMGHash), a novel end-to-end framework designed to learn unified and discriminative binary embeddings from multi-view graph data. CMGHash learns a consensus node representation space using a contrastive multi-view graph loss, which aims to pull $k$-nearest neighbors from all graphs closer while pushing away negative pairs, i.e., non-neighbor nodes. Moreover, we impose binarization constraints on this consensus space, enabling its conversion to a corresponding binary embedding space at minimal cost. Extensive experiments on several benchmark datasets demonstrate that CMGHash significantly outperforms existing approaches in terms of retrieval accuracy.
- Abstract（参考訳）: ノード属性と多様なソースからのリッチリレーショナル情報の両方をキャプチャするマルチビューグラフデータは、さまざまなドメインでますます普及しつつある。
このようなデータの有効かつ効率的な検索は重要な課題である。
マルチビューハッシュ技術は、様々な情報をコンパクトなバイナリコードに融合するパラダイムを提供するが、通常はビュー毎に属性ベースの入力を仮定する。
これは、複数の異種グラフビューから複雑なトポロジ情報を効果的に符号化し、融合したバイナリ埋め込みを生成するマルチビューグラフデータには適さない。
本研究では、マルチビューグラフデータから統一的で差別的なバイナリ埋め込みを学習するための新しいエンドツーエンドフレームワークであるContrastive Multi-view Graph Hashing (CMGHash)を提案する。
CMGHashはコンセンサスノード表現空間を対照的なマルチビューグラフ損失を用いて学習し、非隣ノードの負のペア、すなわち非隣ノードを押し下げながら、すべてのグラフから$k$-nearestの隣人を引き出すことを目的としている。
さらに、このコンセンサス空間に二項化制約を課し、最小のコストで対応する二項埋め込み空間への変換を可能にする。
いくつかのベンチマークデータセットに対する大規模な実験により、CMGHashは検索精度において既存のアプローチよりも大幅に優れていることが示された。
関連論文リスト
- Global Graph Propagation with Hierarchical Information Transfer for Incomplete Contrastive Multi-view Clustering [12.080981190754986]
階層的な情報伝達を伴う新しい不完全なマルチビュークラスタリング手法を提案する。
提案手法は,ビュー固有表現学習,グローバルグラフ伝播,階層的情報伝達,共同最適化のためのコントラストクラスタリングを組み合わせた。
論文 参考訳（メタデータ） (2025-02-26T16:50:08Z) - GraphHash: Graph Clustering Enables Parameter Efficiency in Recommender Systems [51.64666652517944]
本稿では,モジュール性に基づく二部グラフクラスタリングを利用したグラフベースの最初のアプローチであるGraphHashを紹介する。
高速クラスタリングアルゴリズムを使用することで、GraphHashはプリプロセス中のメッセージパッシングの計算効率のよいプロキシとして機能する。
実験では、GraphHashは検索およびクリックスルーレート予測タスクの両方において、多様なハッシュベースラインを大幅に上回る。
論文 参考訳（メタデータ） (2024-12-23T03:37:58Z) - Graph-Collaborated Auto-Encoder Hashing for Multi-view Binary Clustering [11.082316688429641]
マルチビューバイナリクラスタリングのための自動エンコーダに基づくハッシュアルゴリズムを提案する。
具体的には,低ランク制約を用いた多視点親和性グラフ学習モデルを提案する。
また、複数の親和性グラフを協調して協調するエンコーダ・デコーダのパラダイムを設計し、統一されたバイナリコードを効果的に学習する。
論文 参考訳（メタデータ） (2023-01-06T12:43:13Z) - Multi-view Graph Convolutional Networks with Differentiable Node
Selection [29.575611350389444]
差別化可能なノード選択(MGCN-DNS)を備えた多視点グラフ畳み込みネットワーク(Multi-view Graph Convolutional Network)を提案する。
MGCN-DNSは、マルチチャネルグラフ構造データを入力として受け入れ、微分可能なニューラルネットワークを通じてより堅牢なグラフ融合を学ぶことを目的としている。
提案手法の有効性は,最先端手法と厳密な比較により検証した。
論文 参考訳（メタデータ） (2022-12-09T21:48:36Z) - Variational Graph Generator for Multi-View Graph Clustering [51.89092260088973]
マルチビューグラフクラスタリング(VGMGC)のための変分グラフ生成器を提案する。
この生成器は、複数のグラフに対する事前仮定に基づいて、信頼性のある変分コンセンサスグラフを推論する。
推論されたビュー共通グラフとビュー固有のグラフを機能と一緒に埋め込む。
論文 参考訳（メタデータ） (2022-10-13T13:19:51Z) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳（メタデータ） (2021-05-22T07:05:48Z) - Consistent Multiple Graph Embedding for Multi-View Clustering [41.17336912278538]
Consistent Multiple Graph Embedding Clustering framework (CMGEC) を提案する。
具体的には,マルチビューデータの補完情報を柔軟に符号化するマルチグラフオートエンコーダを設計する。
各ビューにおける隣り合う特徴の類似性を維持するための学習共通表現を導くため、MMIM(Multi-view Mutual Information Maximization Module)を導入する。
論文 参考訳（メタデータ） (2021-05-11T09:08:22Z) - Learning Multi-Granular Hypergraphs for Video-Based Person
Re-Identification [110.52328716130022]
ビデオベースの人物識別(re-ID)はコンピュータビジョンにおいて重要な研究課題である。
MGH(Multi-Granular Hypergraph)という新しいグラフベースのフレームワークを提案する。
MARSの90.0%のトップ-1精度はMGHを用いて達成され、最先端のスキームよりも優れていた。
論文 参考訳（メタデータ） (2021-04-30T11:20:02Z) - Multi-view Graph Learning by Joint Modeling of Consistency and
Inconsistency [65.76554214664101]
グラフ学習は、複数のビューから統一的で堅牢なグラフを学ぶ能力を備えた、マルチビュークラスタリングのための有望なテクニックとして登場した。
本稿では,統合目的関数における多視点一貫性と多視点不整合を同時にモデル化する,新しい多視点グラフ学習フレームワークを提案する。
12のマルチビューデータセットに対する実験は、提案手法の堅牢性と効率性を実証した。
論文 参考訳（メタデータ） (2020-08-24T06:11:29Z) - Auto-Encoding Twin-Bottleneck Hashing [141.5378966676885]
本稿では,効率よく適応的なコード駆動グラフを提案する。
自動エンコーダのコンテキストでデコードすることで更新される。
ベンチマークデータセットの実験は、最先端のハッシュ手法よりもフレームワークの方が優れていることを明らかに示しています。
論文 参考訳（メタデータ） (2020-02-27T05:58:12Z)
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。