論文の概要: GCL-OT: Graph Contrastive Learning with Optimal Transport for Heterophilic Text-Attributed Graphs

• arxiv url: http://arxiv.org/abs/2511.16778v1
• Date: Thu, 20 Nov 2025 20:10:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-24 18:08:18.801593
• Title: GCL-OT: Graph Contrastive Learning with Optimal Transport for Heterophilic Text-Attributed Graphs
• Title（参考訳）: GCL-OT:異種テキスト分散グラフのための最適移動を用いたグラフコントラスト学習
• Authors: Yating Ren, Yikun Ban, Huobin Tan,
• Abstract要約: ヘテロフィリーのタイプごとに調整されたメカニズムを備えたグラフコントラスト学習フレームワークを提案する。 GCL-OTは9つのベンチマークで最先端の手法を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 9.735844753899782
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, structure-text contrastive learning has shown promising performance on text-attributed graphs by leveraging the complementary strengths of graph neural networks and language models. However, existing methods typically rely on homophily assumptions in similarity estimation and hard optimization objectives, which limit their applicability to heterophilic graphs. Although existing methods can mitigate heterophily through structural adjustments or neighbor aggregation, they usually treat textual embeddings as static targets, leading to suboptimal alignment. In this work, we identify the multi-granular heterophily in text-attributed graphs, including complete heterophily, partial heterophily, and latent homophily, which makes structure-text alignment particularly challenging due to mixed, noisy, and missing semantic correlations. To achieve flexible and bidirectional alignment, we propose GCL-OT, a novel graph contrastive learning framework with optimal transport, equipped with tailored mechanisms for each type of heterophily. Specifically, for partial heterophily, we design a RealSoftMax-based similarity estimator to emphasize key neighbor-word interactions while easing background noise. For complete heterophily, we introduce a prompt-based filter that adaptively excludes irrelevant noise during optimal transport alignment. Furthermore, we incorporate OT-guided soft supervision to uncover potential neighbors with similar semantics, enhancing the learning of latent homophily. Theoretical analysis shows that GCL-OT can improve the mutual information bound and Bayes error guarantees. Extensive experiments on nine benchmarks show that GCL-OT consistently outperforms state-of-the-art methods, verifying its effectiveness and robustness.
• Abstract（参考訳）: 近年,グラフニューラルネットワークと言語モデルの相補的強みを活用して,構造化されたグラフに対して有望な性能を示した。 しかし、既存の方法は通常、類似度推定とハード最適化の目的におけるホモフィリーな仮定に頼っており、ヘテロ親和性グラフへの適用性を制限している。 既存の手法は構造的な調整や隣接する集約によって不均一性を軽減することができるが、テキストの埋め込みを静的なターゲットとして扱うことが多く、最適以下のアライメントをもたらす。 本研究では, 完全ヘテロフィリー, 部分ヘテロフィリー, 潜在ホモフィリーを含む, テキスト分布グラフにおける多粒性ヘテロフィリーを同定する。 フレキシブルかつ双方向なアライメントを実現するために,各タイプのヘテロフィリーに適した機構を備えた,最適輸送を備えたグラフコントラスト学習フレームワークGCL-OTを提案する。 具体的には,RealSoftMaxをベースとした類似度推定器を設計し,背景雑音の緩和を図った。 完全ヘテロフィリーのために、最適な輸送アライメント中に無関係ノイズを適応的に排除するプロンプトベースフィルタを導入する。 さらに,OT誘導型ソフト・インスペクションを応用して,類似のセマンティクスを持つ潜在的隣人を探索し,潜在ホモフィリーの学習を促進させる。 理論的解析により、GCL-OTは相互情報バウンドとベイズ誤り保証を改善することができることが示された。 9つのベンチマークでの大規模な実験により、GCL-OTは最先端の手法を一貫して上回り、その有効性と堅牢性を検証する。

関連論文リスト

• Language Model-Enhanced Message Passing for Heterophilic Graph Learning [13.001541910098126]
  異種グラフ傾き(LEMP4HG)のための新しい言語モデル(LM)拡張メッセージパッシング手法を提案する。 具体的には、テキスト分散グラフのコンテキストにおいて、LMに接続解析を生成するためのペアノードテキストを提供し、それを符号化し、ゲーティング機構を通じてペアノードテキスト埋め込みと融合する。 合成されたメッセージは、両ノードの情報とセマンティックに富み、適応的にバランスをとる。
  論文  参考訳（メタデータ） (2025-05-26T09:45:16Z)
• LAMP: Learnable Meta-Path Guided Adversarial Contrastive Learning for Heterogeneous Graphs [22.322402072526927]
  Heterogeneous Graph Contrastive Learning (HGCL)は通常、事前に定義されたメタパスを必要とする。 textsfLAMPは様々なメタパスのサブグラフを統一的で安定した構造に統合する。 textsfLAMPは、精度と堅牢性の観点から、既存の最先端の教師なしモデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-09-10T08:27:39Z)
• Histopathology Whole Slide Image Analysis with Heterogeneous Graph Representation Learning [78.49090351193269]
  本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。 具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。 我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-07-09T14:43:40Z)
• HomoGCL: Rethinking Homophily in Graph Contrastive Learning [64.85392028383164]
  HomoGCL はモデルに依存しないフレームワークで、近隣のノードに固有の意味を持つ正の集合を拡大する。 我々は、HomoGCLが6つの公開データセットにまたがって複数の最先端結果をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-06-16T04:06:52Z)
• Single-Pass Contrastive Learning Can Work for Both Homophilic and Heterophilic Graph [60.28340453547902]
  グラフコントラッシブ・ラーニング(GCL)技術は通常、コントラッシブ・ロスを構築するために単一のインスタンスに対して2つのフォワードパスを必要とする。 既存のGCLアプローチは、強力なパフォーマンス保証を提供していない。 我々はSingle-Pass Graph Contrastive Learning法(SP-GCL)を実装した。 経験的に、SP-GCLが学んだ機能は、計算オーバーヘッドを著しく少なくして、既存の強いベースラインにマッチまたは性能を向上することができる。
  論文  参考訳（メタデータ） (2022-11-20T07:18:56Z)
• Unifying Graph Contrastive Learning with Flexible Contextual Scopes [57.86762576319638]
  フレキシブルコンテキストスコープを用いたグラフコントラスト学習(略してUGCL)という自己教師型学習手法を提案する。 本アルゴリズムは,隣接行列のパワーを制御し,コンテキストスコープによるフレキシブルな文脈表現を構築する。 局所的スコープと文脈的スコープの両方の表現に基づいて、distLはグラフ表現学習のための非常に単純な対照的な損失関数を最適化する。
  論文  参考訳（メタデータ） (2022-10-17T07:16:17Z)
• 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)
• Deep Contrastive Graph Representation via Adaptive Homotopy Learning [76.22904270821778]
  Homotopyモデルは、機械学習の分野におけるさまざまな研究によって活用される優れたツールである。 マクローリン双対性を用いる新しい適応ホモトピーフレームワーク(AH)を提案する。 AHはホモトピーに基づくアルゴリズムを強化するために広く利用することができる。
  論文  参考訳（メタデータ） (2021-06-17T04:46:04Z)

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。