論文の概要: WBT-BGRL: A Non-Contrastive Weighted Bipartite Link Prediction Model for Inductive Learning

• arxiv url: http://arxiv.org/abs/2510.24927v1
• Date: Tue, 28 Oct 2025 19:56:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:44.713484
• Title: WBT-BGRL: A Non-Contrastive Weighted Bipartite Link Prediction Model for Inductive Learning
• Title（参考訳）: WBT-BGRL:インダクティブ学習のための非コントラスト重み付きバイパートイトリンク予測モデル
• Authors: Joel Frank Huarayo Quispe, Lilian Berton, Didier Vega-Oliveros,
• Abstract要約: 2部グラフのリンク予測は、レコメンデーションシステムや障害検出といったアプリケーションには不可欠である。 Weighted Bipartite Triplet-Bootstrapped Graph Latents (WBT-BGRL) を提案する。
• 参考スコア（独自算出の注目度）: 1.1278903078792915
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Link prediction in bipartite graphs is crucial for applications like recommendation systems and failure detection, yet it is less studied than in monopartite graphs. Contrastive methods struggle with inefficient and biased negative sampling, while non-contrastive approaches rely solely on positive samples. Existing models perform well in transductive settings, but their effectiveness in inductive, weighted, and bipartite scenarios remains untested. To address this, we propose Weighted Bipartite Triplet-Bootstrapped Graph Latents (WBT-BGRL), a non-contrastive framework that enhances bootstrapped learning with a novel weighting mechanism in the triplet loss. Using a bipartite architecture with dual GCN encoders, WBT-BGRL is evaluated against adapted state-of-the-art models (T-BGRL, BGRL, GBT, CCA-SSG). Results on real-world datasets (Industry and E-commerce) show competitive performance, especially when weighting is applied during pretraining-highlighting the value of weighted, non-contrastive learning for inductive link prediction in bipartite graphs.
• Abstract（参考訳）: 二部グラフにおけるリンク予測は、レコメンデーションシステムや障害検出のようなアプリケーションには不可欠であるが、単部グラフよりも研究は少ない。 非競合的手法は非効率で負のサンプリングに苦しむが、非競合的手法は正のサンプルにのみ依存する。 既存のモデルはトランスダクティブな環境では良好に機能するが、インダクティブ、重み付け、二部構成のシナリオにおけるそれらの効果は未検証のままである。 そこで本研究では,3重項損失における新たな重み付け機構を備えたブートストラップ学習を促進する非コントラスト型フレームワークWBT-BGRLを提案する。 両GCNエンコーダを用いた二部アーキテクチャを用いて、WBT-BGRLを適応された最先端モデル(T-BGRL、BGRL、GBT、CCA-SSG)に対して評価する。 実世界のデータセット(インダストリーとEコマース)の結果は、特に重み付けが重み付けされた非コントラスト学習の価値を重み付けし、二部グラフにおける帰納的リンク予測に重み付けを適用したときの競争性能を示している。

関連論文リスト

• Gradient Extrapolation for Debiased Representation Learning [7.183424522250937]
  GERNE(Gradient Extrapolation for Debiased Representation Learning)は、未知の属性トレーニングケースと未知の属性トレーニングケースの両方において、バイアス付き表現を学習するように設計されている。 解析の結果,外挿した勾配がバッチ勾配に向けられた場合,緩やかな相関が小さくなると,脱バイアスモデルを学ぶためのトレーニングを効果的に導くことが示唆された。
  論文  参考訳（メタデータ） (2025-03-17T14:48:57Z)
• CSGDN: Contrastive Signed Graph Diffusion Network for Predicting Crop Gene-phenotype Associations [6.5678927417916455]
  我々は、より少ないトレーニングサンプルでロバストなノード表現を学習し、より高いリンク予測精度を実現するために、コントラスト符号付きグラフ拡散ネットワーク(CSGDN)を提案する。 Gossypium hirsutum, Brassica napus, Triticum turgidumの3つの作物データセット上でCSGDNの有効性を検証する実験を行った。
  論文  参考訳（メタデータ） (2024-10-10T01:01:10Z)
• Graph Transductive Defense: a Two-Stage Defense for Graph Membership Inference Attacks [50.19590901147213]
  グラフニューラルネットワーク(GNN)は、さまざまな現実世界のアプリケーションにおいて、強力なグラフ学習機能を提供する。 GNNは、メンバーシップ推論攻撃(MIA)を含む敵攻撃に対して脆弱である 本稿では,グラフトランスダクティブ学習特性に合わせて,グラフトランスダクティブ・ディフェンス(GTD)を提案する。
  論文  参考訳（メタデータ） (2024-06-12T06:36:37Z)
• Rethinking and Simplifying Bootstrapped Graph Latents [48.76934123429186]
  グラフ・コントラッシブ・ラーニング(GCL)はグラフ自己教師型ラーニングにおいて代表的なパラダイムとして登場した。 SGCLは2つの繰り返しの出力を正のペアとして利用するシンプルで効果的なGCLフレームワークである。 我々は,SGCLがより少ないパラメータ,少ない時間と空間コスト,およびかなりの収束速度で競合性能を達成可能であることを示す。
  論文  参考訳（メタデータ） (2023-12-05T09:49:50Z)
• GSB: Group Superposition Binarization for Vision Transformer with Limited Training Samples [46.025105938192624]
  Vision Transformer (ViT) は様々なコンピュータビジョンタスクにおいて顕著に機能している。 ViTは通常、比較的限られた数のトレーニングサンプルで深刻なオーバーフィッティング問題に悩まされる。 本稿では,GSB(Group Superposition Binarization)と呼ばれる新しいモデルバイナライゼーション手法を提案する。
  論文  参考訳（メタデータ） (2023-05-13T14:48:09Z)
• Pseudo Contrastive Learning for Graph-based Semi-supervised Learning [67.37572762925836]
  Pseudo Labelingは、グラフニューラルネットワーク(GNN)の性能向上に使用されるテクニックである。 我々はPseudo Contrastive Learning(PCL)と呼ばれるGNNのための一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-19T10:34:08Z)
• Link Prediction with Non-Contrastive Learning [19.340519670329382]
  グラフ自己教師型学習(SSL)は、ラベル付きデータなしで有用なノード表現を導出することを目的としている。 多くの最先端グラフSSL法は、正と負のサンプルの組み合わせを用いた対照的な手法である。 近年の文献では非コントラスト法が導入されており、正のサンプルのみを用いている。
  論文  参考訳（メタデータ） (2022-11-25T22:30:15Z)

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。