論文の概要: FUSE: Fast Semi-Supervised Node Embedding Learning via Structural and Label-Aware Optimization

• arxiv url: http://arxiv.org/abs/2510.11250v1
• Date: Mon, 13 Oct 2025 10:39:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.322557
• Title: FUSE: Fast Semi-Supervised Node Embedding Learning via Structural and Label-Aware Optimization
• Title（参考訳）: FUSE: 構造化とラベル認識による高速半教師付きノード埋め込み学習
• Authors: Sujan Chakraborty, Rahul Bordoloi, Anindya Sengupta, Olaf Wolkenhauer, Saptarshi Bej,
• Abstract要約: 3つの相補的目的を共同で最適化する高速半教師あり組込みフレームワークを提案する。 標準ベンチマークにおいて,本手法は最先端手法と同等以上の分類精度を一貫して達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Graph-based learning is a cornerstone for analyzing structured data, with node classification as a central task. However, in many real-world graphs, nodes lack informative feature vectors, leaving only neighborhood connectivity and class labels as available signals. In such cases, effective classification hinges on learning node embeddings that capture structural roles and topological context. We introduce a fast semi-supervised embedding framework that jointly optimizes three complementary objectives: (i) unsupervised structure preservation via scalable modularity approximation, (ii) supervised regularization to minimize intra-class variance among labeled nodes, and (iii) semi-supervised propagation that refines unlabeled nodes through random-walk-based label spreading with attention-weighted similarity. These components are unified into a single iterative optimization scheme, yielding high-quality node embeddings. On standard benchmarks, our method consistently achieves classification accuracy at par with or superior to state-of-the-art approaches, while requiring significantly less computational cost.
• Abstract（参考訳）: グラフベースの学習は構造化されたデータを解析するための基盤であり、ノード分類が中心的なタスクである。 しかし、多くの実世界のグラフでは、ノードには情報的特徴ベクトルがなく、近隣接続とクラスラベルのみが利用可能な信号として残されている。 このような場合、効果的な分類ヒンジは、構造的役割と位相的コンテキストをキャプチャする学習ノード埋め込みである。 3つの相補的な目的を共同で最適化する高速半教師あり組込みフレームワークを導入する。 一 スケーラブルなモジュラリティ近似による教師なし構造保存 (ii)ラベル付きノード間のクラス内分散を最小限に抑えるための正規化を監督し、 三 ランダムウォークに基づくラベルを注目重み付き類似度で拡散させることにより、ラベル付きノードを洗練させる半教師付き伝搬。 これらのコンポーネントは単一の反復最適化スキームに統合され、高品質なノード埋め込みをもたらす。 標準ベンチマークでは,従来の手法と同等以上の分類精度を常に達成し,計算コストを大幅に削減する。

関連論文リスト

• Clustering-Oriented Generative Attribute Graph Imputation [46.388653923121566]
  本稿では,属性欠落グラフクラスタリングのためのクラスタリング指向生成インプット(CGIR)モデルを提案する。 CGIRは,属性欠落グラフのクラスタリングをサブクラスタの検索とマージェンスに分割し,統一されたフレームワーク内でノードの計算と改善を実現する。
  論文  参考訳（メタデータ） (2025-07-25T09:11:38Z)
• HELPNet: Hierarchical Perturbations Consistency and Entropy-guided Ensemble for Scribble Supervised Medical Image Segmentation [4.034121387622003]
  本稿では,新しいスクリブルベースの弱教師付きセグメンテーションフレームワークHELPNetを提案する。 HELPNetはアノテーション効率とセグメンテーション性能のギャップを埋めるために3つのモジュールを統合する。 HELPNetは、スクリブルベースの弱教師付きセグメンテーションの最先端手法を著しく上回っている。
  論文  参考訳（メタデータ） (2024-12-25T01:52:01Z)
• Modularity aided consistent attributed graph clustering via coarsening [6.522020196906943]
  グラフクラスタリングは、属性付きグラフを分割し、コミュニティを検出するための重要な教師なし学習手法である。 本稿では,ブロックの最大化最小化手法を用いて,対数行列,滑らか性,モジュラリティを組み込んだ損失関数を提案する。 我々のアルゴリズムはグラフニューラルネットワーク(GNN)と変分グラフオートエンコーダ(VGAE)をシームレスに統合し、拡張ノードの特徴を学習し、例外的なクラスタリング性能を実現する。
  論文  参考訳（メタデータ） (2024-07-09T10:42:19Z)
• Understanding Imbalanced Semantic Segmentation Through Neural Collapse [81.89121711426951]
  セマンティックセグメンテーションは自然に文脈的相関とクラス間の不均衡分布をもたらすことを示す。 機能中心にレギュレータを導入し、ネットワークが魅力ある構造に近い機能を学ぶことを奨励する。 我々の手法は、ScanNet200テストリーダーボードで1位にランクインし、新しい記録を樹立する。
  論文  参考訳（メタデータ） (2023-01-03T13:51:51Z)
• 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)
• Noise-robust Graph Learning by Estimating and Leveraging Pairwise Interactions [123.07967420310796]
  本稿では,グラフ上のノイズノード分類のためのペアワイズフレームワークを提案することにより,そのギャップを埋める。 PI-GNNは、ノイズの多いノードクラスラベルからのポイントワイズ学習に加えて、PIを一次学習プロキシとして依存している。 提案するフレームワークPI-GNNは,(1)PIラベルを適応的に推定する信頼度を考慮したPI推定モデル,(2)PIラベルを推定する疎結合トレーニング手法の2つの新しい構成要素に寄与する。
  論文  参考訳（メタデータ） (2021-06-14T14:23:08Z)
• Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
  データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。 本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。 我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
  論文  参考訳（メタデータ） (2020-08-31T08:41:20Z)
• Graph Inference Learning for Semi-supervised Classification [50.55765399527556]
  半教師付きノード分類の性能を高めるためのグラフ推論学習フレームワークを提案する。 推論過程の学習には,トレーニングノードから検証ノードへの構造関係のメタ最適化を導入する。 4つのベンチマークデータセットの総合的な評価は、最先端の手法と比較して提案したGILの優位性を示している。
  論文  参考訳（メタデータ） (2020-01-17T02:52:30Z)

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。