論文の概要: Toward General Digraph Contrastive Learning: A Dual Spatial Perspective

• arxiv url: http://arxiv.org/abs/2510.16311v1
• Date: Sat, 18 Oct 2025 02:46:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.941071
• Title: Toward General Digraph Contrastive Learning: A Dual Spatial Perspective
• Title（参考訳）: 一般図形コントラスト学習に向けて:双対空間的視点
• Authors: Daohan Su, Yang Zhang, Xunkai Li, Rong-Hua Li, Guoren Wang,
• Abstract要約: グラフコントラスト学習(GCL)は,ラベル付き情報とは別に,グラフから一貫した表現を抽出する強力なツールとして登場した。 本稿では,S2-DiGCLについて紹介する。S2-DiGCLは,有向グラフ(グラフ)コントラスト学習のための複雑な領域と実際の領域からの空間的洞察を強調する新しいフレームワークである。
• 参考スコア（独自算出の注目度）: 39.47464787815811
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Contrastive Learning (GCL) has emerged as a powerful tool for extracting consistent representations from graphs, independent of labeled information. However, existing methods predominantly focus on undirected graphs, disregarding the pivotal directional information that is fundamental and indispensable in real-world networks (e.g., social networks and recommendations).In this paper, we introduce S2-DiGCL, a novel framework that emphasizes spatial insights from complex and real domain perspectives for directed graph (digraph) contrastive learning. From the complex-domain perspective, S2-DiGCL introduces personalized perturbations into the magnetic Laplacian to adaptively modulate edge phases and directional semantics. From the real-domain perspective, it employs a path-based subgraph augmentation strategy to capture fine-grained local asymmetries and topological dependencies. By jointly leveraging these two complementary spatial views, S2-DiGCL constructs high-quality positive and negative samples, leading to more general and robust digraph contrastive learning. Extensive experiments on 7 real-world digraph datasets demonstrate the superiority of our approach, achieving SOTA performance with 4.41% improvement in node classification and 4.34% in link prediction under both supervised and unsupervised settings.
• Abstract（参考訳）: グラフコントラスト学習(GCL)は,ラベル付き情報とは別に,グラフから一貫した表現を抽出する強力なツールとして登場した。 しかし、既存の手法は主に非方向グラフに焦点を当てており、現実世界のネットワーク(ソーシャルネットワークやレコメンデーションなど)において基本的で不可欠である重要な方向情報を無視している。 本稿では,S2-DiGCLについて紹介する。S2-DiGCLは,有向グラフ(グラフ)コントラスト学習のための複雑な領域と実際の領域からの空間的洞察を強調する新しいフレームワークである。 複雑なドメインの観点から、S2-DiGCLは磁化ラプラシアンのパーソナライズされた摂動を導入し、エッジ位相と方向のセマンティクスを適応的に調節する。 実際のドメインの観点からは、パスベースのサブグラフ拡張戦略を使用して、きめ細かい局所的非対称性とトポロジ的依存関係をキャプチャする。 これら2つの相補的な空間的視点を共同で活用することにより、S2-DiGCLは高品質な正と負のサンプルを構築し、より一般的で頑健なグラフの対照的な学習をもたらす。 7つの実世界のグラフデータセットに対する大規模な実験は、我々のアプローチの優位性を示し、ノード分類が4.41%改善し、4.34%のリンク予測を教師なしと教師なしの両方で達成した。

関連論文リスト

• Learning Robust Heterogeneous Graph Representations via Contrastive-Reconstruction under Sparse Semantics [13.555683316315683]
  マスケードオートエンコーダ(MAE)とコントラスト学習(CL)はグラフ自己教師学習において2つの重要なパラダイムである。 本稿ではヘテロジニアスグラフのための新しい二チャンネル自己教師型学習フレームワークHetCRFを紹介する。 HetCRFは2段階のアグリゲーション戦略を用いて埋め込みセマンティクスを適応し、MAEとCLの両方と互換性がある。
  論文  参考訳（メタデータ） (2025-06-07T06:35:42Z)
• GRE^2-MDCL: Graph Representation Embedding Enhanced via Multidimensional Contrastive Learning [0.0]
  グラフ表現学習は、ノードをベクトル表現にマッピングする際にグラフトポロジを保存する強力なツールとして登場した。 現在のグラフニューラルネットワークモデルは、広範なラベル付きデータを必要とするという課題に直面している。 多次元コントラスト学習によるグラフ表現埋め込みを提案する。
  論文  参考訳（メタデータ） (2024-09-12T03:09:05Z)
• Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
  グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。 モデルはGCNを適用するために初期グラフを事前に推定する。 一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
  論文  参考訳（メタデータ） (2024-02-25T07:03:37Z)
• Subgraph Networks Based Contrastive Learning [5.736011243152416]
  グラフコントラスト学習(GCL)は、注釈付きデータ不足の問題を解決する。 既存のGCL手法の多くは、グラフ拡張戦略や相互情報推定操作の設計に重点を置いている。 サブグラフネットワークに基づくコントラスト学習(SGNCL)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） (2023-06-06T08:52:44Z)
• Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
  本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-25T03:54:53Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
  グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。 本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T02:58:36Z)
• Contrastive and Generative Graph Convolutional Networks for Graph-based Semi-Supervised Learning [64.98816284854067]
  グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。 本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-15T13:59:28Z)

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。