論文の概要: Toward Robust Signed Graph Learning through Joint Input-Target Denoising

• arxiv url: http://arxiv.org/abs/2510.22513v1
• Date: Sun, 26 Oct 2025 03:34:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.227246
• Title: Toward Robust Signed Graph Learning through Joint Input-Target Denoising
• Title（参考訳）: ロバスト署名型グラフ学習に向けて
• Authors: Junran Wu, Beng Chin Ooi, Ke Xu,
• Abstract要約: 符号付きグラフニューラルネットワーク(SGNN)は、符号付きグラフと負のリンクの両方で複雑なパターンを解析するために広く採用されている。 本稿では,ロバストグラフ学習のための新しいフレームワーク RIDGE を提案する。 提案手法を4つの有意な符号付きグラフデータセット上で広範囲に検証した結果,RIDGEは各種ノイズレベル下での一般的なSGNNモデルのロバスト性を明確に向上することが示された。
• 参考スコア（独自算出の注目度）: 20.15917072156998
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Signed Graph Neural Networks (SGNNs) are widely adopted to analyze complex patterns in signed graphs with both positive and negative links. Given the noisy nature of real-world connections, the robustness of SGNN has also emerged as a pivotal research area. Under the supervision of empirical properties, graph structure learning has shown its robustness on signed graph representation learning, however, there remains a paucity of research investigating a robust SGNN with theoretical guidance. Inspired by the success of graph information bottleneck (GIB) in information extraction, we propose RIDGE, a novel framework for Robust sI gned graph learning through joint Denoising of Graph inputs and supervision targEts. Different from the basic GIB, we extend the GIB theory with the capability of target space denoising as the co-existence of noise in both input and target spaces. In instantiation, RIDGE effectively cleanses input data and supervision targets via a tractable objective function produced by reparameterization mechanism and variational approximation. We extensively validate our method on four prevalent signed graph datasets, and the results show that RIDGE clearly improves the robustness of popular SGNN models under various levels of noise.
• Abstract（参考訳）: 符号付きグラフニューラルネットワーク(SGNN)は、符号付きグラフと負のリンクの両方で複雑なパターンを解析するために広く採用されている。 実世界のつながりのうるさい性質を考えると、SGNNの頑丈さも重要な研究領域として現れている。 経験的特性の監督の下では,グラフ構造学習は符号付きグラフ表現学習において頑健性を示してきたが,理論的なガイダンスで頑健なSGNNを調査する研究は相変わらず行われている。 本稿では,情報抽出におけるグラフ情報ボトルネック(GIB)の成功に触発されて,グラフ入力と監視targEtの併用によるグラフ学習のための新しいフレームワークであるRIDGEを提案する。 基本GIBと異なり、入力空間とターゲット空間の両方におけるノイズの共存として、目標空間をデノナイズする能力でGIB理論を拡張している。 インスタンス化において、RIDGEは、再パラメータ化機構と変分近似によって生成されるトラクタブルな目的関数を介して、入力データと監督対象を効果的に浄化する。 提案手法を4つの有意な符号付きグラフデータセット上で広範囲に検証した結果,RIDGEは各種ノイズレベル下での一般的なSGNNモデルのロバスト性を明確に向上することが示された。

関連論文リスト

• Self-supervised Subgraph Neural Network With Deep Reinforcement Walk Exploration [13.489730726871421]
  グラフデータは、化合物、タンパク質構造、ソーシャルネットワークのような複雑な現実世界の現象を表す。 従来のグラフニューラルネットワーク(GNN)は、主にメッセージパッシング機構を使用しているが、その表現力は限られており、その予測には説明性がない。 サブグラフニューラルネットワーク(SGNN)とGNN説明器が潜在的な解決策として登場したが、それぞれに制限がある。 我々は、SGNNとGNN説明器の生成アプローチを統合する新しいフレームワークを提案し、Reinforcement Walk Exploration SGNN (RWE-SGNN) と名付けた。
  論文  参考訳（メタデータ） (2025-02-03T20:40:33Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• Combating Bilateral Edge Noise for Robust Link Prediction [56.43882298843564]
  本稿では,RGIB(Robust Graph Information Bottleneck)という情報理論の原則を提案し,信頼性の高い監視信号を抽出し,表現の崩壊を回避する。 RGIB-SSLとRGIB-REPの2つのインスタンス化は、異なる手法の利点を活用するために検討されている。 6つのデータセットと3つのGNNの様々なノイズシナリオによる実験は、我々のRGIBインスタンスの有効性を検証する。
  論文  参考訳（メタデータ） (2023-11-02T12:47:49Z)
• ALEX: Towards Effective Graph Transfer Learning with Noisy Labels [11.115297917940829]
  本稿では,グラフ伝達学習の課題に対処するため,バランスアライメントと情報認識試験(ALEX)と呼ばれる新しい手法を提案する。 ALEXはまず特異値分解を使用して、重要な構造的意味論を持つ異なるビューを生成し、堅牢なノード表現を提供する。 この基礎の上に構築され、複雑なマルチモーダル分布の暗黙的な領域アライメントのために、対向領域判別器が組み込まれている。
  論文  参考訳（メタデータ） (2023-09-26T04:59:49Z)
• Robust Graph Structure Learning with the Alignment of Features and Adjacency Matrix [8.711977569042865]
  クリーンなグラフ構造とそれに対応する表現を共同で学習するグラフ構造学習(GSL)には,多くのアプローチが提案されている。 本稿では,特に特徴情報とグラフ情報の整合性を考慮した新しい正規化GSL手法を提案する。 本手法の有効性を評価するために,実世界のグラフを用いて実験を行った。
  論文  参考訳（メタデータ） (2023-07-05T09:05:14Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
  本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。 具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
  論文  参考訳（メタデータ） (2022-01-17T11:57:29Z)
• 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)
• Graph Representation Learning via Graphical Mutual Information Maximization [86.32278001019854]
  本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。 我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
  論文  参考訳（メタデータ） (2020-02-04T08:33:49Z)

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。