論文の概要: Adaptive Multi-view Graph Contrastive Learning via Fractional-order Neural Diffusion Networks

• arxiv url: http://arxiv.org/abs/2511.06216v1
• Date: Sun, 09 Nov 2025 04:01:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-11 21:18:44.815653
• Title: Adaptive Multi-view Graph Contrastive Learning via Fractional-order Neural Diffusion Networks
• Title（参考訳）: 分数次ニューラル拡散ネットワークによる適応型多視点グラフコントラスト学習
• Authors: Yanan Zhao, Feng Ji, Jingyang Dai, Jiaze Ma, Keyue Jiang, Kai Zhao, Wee Peng Tay,
• Abstract要約: グラフコントラスト学習(GCL)は、同じグラフの複数のビューを対比することにより、ノードとグラフ表現を学習する。 本稿では,分数次連続力学に基づく拡張自由多視点GCLフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 28.779420227506545
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph contrastive learning (GCL) learns node and graph representations by contrasting multiple views of the same graph. Existing methods typically rely on fixed, handcrafted views-usually a local and a global perspective, which limits their ability to capture multi-scale structural patterns. We present an augmentation-free, multi-view GCL framework grounded in fractional-order continuous dynamics. By varying the fractional derivative order $\alpha \in (0,1]$, our encoders produce a continuous spectrum of views: small $\alpha$ yields localized features, while large $\alpha$ induces broader, global aggregation. We treat $\alpha$ as a learnable parameter so the model can adapt diffusion scales to the data and automatically discover informative views. This principled approach generates diverse, complementary representations without manual augmentations. Extensive experiments on standard benchmarks demonstrate that our method produces more robust and expressive embeddings and outperforms state-of-the-art GCL baselines.
• Abstract（参考訳）: グラフコントラスト学習(GCL)は、同じグラフの複数のビューを対比することにより、ノードとグラフ表現を学習する。 既存の手法は通常、固定された手作りのビュー(通常は局所的な視点とグローバルな視点)に依存しており、マルチスケールの構造パターンをキャプチャする能力を制限する。 本稿では,分数次連続力学に基づく拡張自由多視点GCLフレームワークを提案する。 分数導関数の次数 $\alpha \in (0,1]$ を変えることで、エンコーダは連続的な視点を生成する: small $\alpha$ は局所化された特徴を、 Large $\alpha$ はより広く、大域的な集合を誘導する。 我々は$\alpha$を学習可能なパラメータとして扱い、モデルの拡散スケールをデータに適用し、情報的ビューを自動的に検出する。 この原理的なアプローチは、手作業による拡張を伴わずに、多様で相補的な表現を生成する。 標準ベンチマークによる大規模な実験により,本手法はより堅牢で表現力に富んだ埋め込みを実現し,最先端のGCLベースラインを上回る性能を示した。

関連論文リスト

• GILT: An LLM-Free, Tuning-Free Graph Foundational Model for In-Context Learning [50.40400074353263]
  グラフニューラルネットワーク(GNN)は、リレーショナルデータを先行する強力なツールであるが、しばしば目に見えないグラフに一般化するのに苦労する。 textbfGraph textbfIn-context textbfL textbfTransformer (GILT)を導入する。
  論文  参考訳（メタデータ） (2025-10-06T08:09:15Z)
• Scalable Graph Generative Modeling via Substructure Sequences [50.32639806800683]
  本稿では,グラフ生成用トランスフォーマー事前学習フレームワークである生成グラフパターンマシン(G$2$PM)を紹介する。 G$2$PMはグラフインスタンス(ノード、エッジ、グラフ全体)をサブ構造のシーケンスとして表現する。 それは、一般化可能かつ伝達可能な表現を学ぶために、シーケンスに関する生成的事前学習を採用する。
  論文  参考訳（メタデータ） (2025-05-22T02:16:34Z)
• Simple Graph Contrastive Learning via Fractional-order Neural Diffusion Networks [24.778889911467438]
  グラフコントラスト学習(GCL)は、教師なしグラフ表現学習パラダイムとして最近進歩している。 本稿では,グラフニューラル拡散モデルに基づく拡張フリーGCLフレームワークを提案する。 我々のモデルはトレーニングに負のサンプルを必要としないことを実証し、ホモ親和性データセットとヘテロ親和性データセットの両方に適用できることを示した。
  論文  参考訳（メタデータ） (2025-04-23T14:17:28Z)
• Graph Mixture of Experts: Learning on Large-Scale Graphs with Explicit Diversity Modeling [60.0185734837814]
  グラフニューラルネットワーク(GNN)は、グラフデータからの学習に広く応用されている。 GNNの一般化能力を強化するため、グラフ強化のような技術を用いて、トレーニンググラフ構造を増強することが慣例となっている。 本研究では,GNNにMixture-of-Experts(MoE)の概念を導入する。
  論文  参考訳（メタデータ） (2023-04-06T01:09:36Z)
• Graph Contrastive Learning with Personalized Augmentation [17.714437631216516]
  グラフの教師なし表現を学習するための有効なツールとして,グラフコントラスト学習(GCL)が登場した。 我々は、textitPersonalized textitAugmentation (GPA) を用いたtextitGraph コントラスト学習と呼ばれる原則付きフレームワークを提案する。 GPAは、学習可能な拡張セレクタを介して、そのトポロジとノード属性に基づいて、各グラフの調整された拡張戦略を推論する。
  論文  参考訳（メタデータ） (2022-09-14T11:37:48Z)
• Towards Graph Self-Supervised Learning with Contrastive Adjusted Zooming [48.99614465020678]
  本稿では,グラフコントラスト適応ズームによる自己教師付きグラフ表現学習アルゴリズムを提案する。 このメカニズムにより、G-Zoomはグラフから複数のスケールから自己超越信号を探索して抽出することができる。 我々は,実世界のデータセットに関する広範な実験を行い,提案したモデルが常に最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-20T22:45:53Z)
• AutoGCL: Automated Graph Contrastive Learning via Learnable View Generators [22.59182542071303]
  本稿では,Automated Graph Contrastive Learning (AutoGCL) という新しいフレームワークを提案する。 AutoGCLは、オート拡張戦略によって編成された学習可能なグラフビュージェネレータのセットを採用している。 半教師付き学習、教師なし学習、移動学習の実験は、グラフの対照的な学習における最先端技術よりも、我々のフレームワークの優位性を証明している。
  論文  参考訳（メタデータ） (2021-09-21T15:34:11Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• Graph Contrastive Learning with Augmentations [109.23158429991298]
  グラフデータの教師なし表現を学習するためのグラフコントラスト学習(GraphCL)フレームワークを提案する。 我々のフレームワークは、最先端の手法と比較して、類似またはより良い一般化可能性、転送可能性、堅牢性のグラフ表現を作成できることを示す。
  論文  参考訳（メタデータ） (2020-10-22T20:13:43Z)

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。