論文の概要: Enhancing Contrastive Link Prediction With Edge Balancing Augmentation

• arxiv url: http://arxiv.org/abs/2508.14808v1
• Date: Wed, 20 Aug 2025 15:58:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.514365
• Title: Enhancing Contrastive Link Prediction With Edge Balancing Augmentation
• Title（参考訳）: エッジバランシング強化によるコントラストリンク予測の強化
• Authors: Chen-Hao Chang, Hui-Ju Hung, Chia-Hsun Lu, Chih-Ya Shen,
• Abstract要約: リンク予測におけるコントラスト学習のための最初の公式な理論解析を行う。 本稿では,グラフのノード度を拡張度として調整する新たなグラフ拡張手法であるエッジバランシング拡張(EBA)を提案する。 次に、提案するEBAと、モデル性能を改善するための新たなコントラスト損失を統合したContrastive Link Prediction with Edge Balancing Augmentation(CoEBA)という新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 2.864893907775704
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Link prediction is one of the most fundamental tasks in graph mining, which motivates the recent studies of leveraging contrastive learning to enhance the performance. However, we observe two major weaknesses of these studies: i) the lack of theoretical analysis for contrastive learning on link prediction, and ii) inadequate consideration of node degrees in contrastive learning. To address the above weaknesses, we provide the first formal theoretical analysis for contrastive learning on link prediction, where our analysis results can generalize to the autoencoder-based link prediction models with contrastive learning. Motivated by our analysis results, we propose a new graph augmentation approach, Edge Balancing Augmentation (EBA), which adjusts the node degrees in the graph as the augmentation. We then propose a new approach, named Contrastive Link Prediction with Edge Balancing Augmentation (CoEBA), that integrates the proposed EBA and the proposed new contrastive losses to improve the model performance. We conduct experiments on 8 benchmark datasets. The results demonstrate that our proposed CoEBA significantly outperforms the other state-of-the-art link prediction models.
• Abstract（参考訳）: リンク予測はグラフマイニングにおける最も基本的な課題の1つである。 しかし、これらの研究の大きな弱点は2つある。 一 リンク予測に関する対照的な学習に関する理論的分析の欠如及び 二 対照的な学習において、節度が不十分であること。 上記の弱点に対処するため、リンク予測におけるコントラスト学習のための最初の公式な理論的解析を行い、分析結果をコントラスト学習を伴うオートエンコーダベースのリンク予測モデルに一般化する。 分析結果から,グラフのノード度を拡張度として調整する新たなグラフ拡張手法であるエッジバランシング拡張(EBA)を提案する。 次に、提案するEBAと、モデル性能を改善するための新たなコントラスト損失を統合したContrastive Link Prediction with Edge Balancing Augmentation(CoEBA)という新しい手法を提案する。 8つのベンチマークデータセットで実験を行います。 その結果,提案したCoEBAは,他の最先端リンク予測モデルよりも優れていた。

関連論文リスト

• Uncertainty-Aware Graph Neural Networks: A Multi-Hop Evidence Fusion Approach [55.43914153271912]
  グラフニューラルネットワーク(GNN)は、グラフ構造とノード機能を統合することにより、グラフ表現学習に優れる。 既存のGNNでは、モデルの深さによって異なるクラス確率の不確実性を考慮することができず、現実のシナリオでは信頼できない、リスクの高い予測が生じる。 本稿では,信頼に値する予測を達成し,ノード分類精度を高め,誤予測のリスクを明らかにするために,新しいEvidence Fusing Graph Neural Network (EFGNN)を提案する。
  論文  参考訳（メタデータ） (2025-06-16T03:59:38Z)
• Exploiting Meta-Learning-based Poisoning Attacks for Graph Link Prediction [12.179477926103353]
  グラフデータのリンク予測は、さまざまなアルゴリズムと機械学習/ディープラーニングモデルを使用して、グラフノード間の潜在的な関係を予測する。 近年の研究では、毒や脱走攻撃などの敵攻撃に対するリンク予測モデルの脆弱性が強調されている。 本稿では,VGAEのリンク予測性能を損なうメタラーニング手法を用いたグラフ中毒攻撃手法を提案する。
  論文  参考訳（メタデータ） (2025-04-08T23:36:29Z)
• Understanding the Design Principles of Link Prediction in Directed Settings [1.6727186769396276]
  リンク予測はグラフ表現学習(GRL)において広く研究されている課題である 本稿では,非方向設定で成功したキーキャパシティを評価することで,リンクの方向予測の課題に焦点をあてる。 本稿では,これらを有向リンク予測タスクに簡易かつ効果的に適応させ,これらの修正によって競争性能が向上することを示す。
  論文  参考訳（メタデータ） (2025-02-20T20:01:35Z)
• Rethinking Link Prediction for Directed Graphs [73.36395969796804]
  有向グラフのリンク予測は、様々な現実世界のアプリケーションにとって重要な課題である。 埋め込み手法とグラフニューラルネットワーク(GNN)の最近の進歩は、有望な改善を示している。 本稿では,既存手法の表現性を評価する統一的なフレームワークを提案し,二重埋め込みとデコーダ設計がリンクの有向予測性能に与える影響を強調した。
  論文  参考訳（メタデータ） (2025-02-08T23:51:05Z)
• 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)
• CombAlign: Enhancing Model Expressiveness in Unsupervised Graph Alignment [19.502687203792547]
  教師なしグラフアライメント(英語版)は、グラフ構造とノード特徴のみを活用することにより、一対のグラフ間のノード対応を見つける。 最近の研究の1つのカテゴリは、まずノード表現を計算し、次に最も大きな埋め込みベースの類似性を持つノードとマッチングする。 他のカテゴリは、Gromov-Wasserstein学習による最適輸送(OT)に問題を還元する。 一致したノード対と一致しないノード対を2つのグラフで区別する際のモデルの識別力について検討する。 理論解析により,より強い表現力を持つCombAlignというハイブリッドアプローチを提唱した。
  論文  参考訳（メタデータ） (2024-06-19T04:57:35Z)
• Calibrating and Improving Graph Contrastive Learning [14.763105892780333]
  教師なしグラフの対照的な学習では、いくつかの対照的なペアは下流のタスクの真理と矛盾することがある。 本稿では、コントラスト-レグという新たな正規化手法を提案し、コントラスト損失の低減が下流タスクの性能向上につながることを確かめる。 プラグイン正規化器として、Contrast-Regは既存のグラフコントラスト学習アルゴリズムの性能を効果的に向上させる。
  論文  参考訳（メタデータ） (2021-01-27T16:31:33Z)
• Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph Link Prediction [69.1473775184952]
  数発のアウトオブグラフリンク予測という現実的な問題を導入する。 我々は,新しいメタ学習フレームワークによってこの問題に対処する。 我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
  論文  参考訳（メタデータ） (2020-06-11T17:42:46Z)

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。