論文の概要: Decoupling and Damping: Structurally-Regularized Gradient Matching for Multimodal Graph Condensation
- arxiv url: http://arxiv.org/abs/2511.20222v1
- Date: Tue, 25 Nov 2025 11:50:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-26 17:37:04.435373
- Title: Decoupling and Damping: Structurally-Regularized Gradient Matching for Multimodal Graph Condensation
- Title（参考訳）: デカップリングとダンピング:マルチモーダルグラフ凝縮のための構造規則化グラディエントマッチング
- Authors: Lian Shen, Zhendan Chen, Yinhui jiang, Meijia Song, Ziming Su, Juan Liu, Xiangrong Liu,
- Abstract要約: マルチモーダルグラフに適した新しい凝縮フレームワークSR-GMを提案する。
SR-GMは、ベースライン法と比較して精度を大幅に向上し、収束を加速する。
本研究は,資源制約環境下でのマルチモーダルグラフに基づく学習のためのスケーラブルな方法論を提供する。
- 参考スコア（独自算出の注目度）: 3.2987327415317895
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In critical web applications such as e-commerce and recommendation systems, multimodal graphs integrating rich visual and textual attributes are increasingly central, yet their large scale introduces substantial computational burdens for training Graph Neural Networks (GNNs). While Graph Condensation (GC) offers a promising solution by synthesizing smaller datasets, existing methods falter in the multimodal setting. We identify a dual challenge causing this failure: (1) conflicting gradients arising from semantic misalignments between modalities, and (2) the GNN's message-passing architecture pathologically amplifying this gradient noise across the graph structure. To address this, we propose Structurally-Regularized Gradient Matching (SR-GM), a novel condensation framework tailored for multimodal graphs. SR-GM introduces two synergistic components: first, a gradient decoupling mechanism that resolves inter-modality conflicts at their source via orthogonal projection; and second, a structural damping regularizer that acts directly on the gradient field. By leveraging the graph's Dirichlet energy, this regularizer transforms the topology from a noise amplifier into a stabilizing force during optimization. Extensive experiments demonstrate that SR-GM significantly improves accuracy and accelerates convergence compared to baseline methods. Ablation studies confirm that addressing both gradient conflict and structural amplification in tandem is essential for achieving superior performance. Moreover, the condensed multimodal graphs exhibit strong cross-architecture generalization and promise to accelerate applications like Neural Architecture Search. This research provides a scalable methodology for multimodal graph-based learning in resource-constrained environments.
- Abstract（参考訳）: 電子商取引やレコメンデーションシステムのような重要なWebアプリケーションでは、リッチな視覚的属性とテキスト的属性を統合するマルチモーダルグラフはますます中心的になってきていますが、その大規模化はグラフニューラルネットワーク(GNN)のトレーニングにかなりの計算負担をもたらしています。
Graph Condensation (GC)は、より小さなデータセットを合成することで、有望なソリューションを提供するが、既存のメソッドはマルチモーダル設定で失敗する。
1)モダリティ間の意味的ミスアライメントに起因する勾配の矛盾,(2)GNNのメッセージパッシングアーキテクチャは,グラフ構造全体にわたってこの勾配ノイズを病理学的に増幅する。
そこで我々は,マルチモーダルグラフに適した新しい凝縮フレームワークSR-GMを提案する。
SR-GMは2つの相乗的成分を導入し、第1に、直交射影によって源のモード間衝突を解消する勾配分離機構、第2に、勾配場に直接作用する構造減衰正則化器である。
グラフのディリクレエネルギーを活用することにより、この正規化器は、最適化中にトポロジーをノイズ増幅器から安定化力に変換する。
大規模な実験により、SR-GMはベースライン法に比べて精度を著しく向上し、収束を加速することが示された。
アブレーション研究は、勾配の衝突とタンデムの構造増幅の両方に対処することが、優れた性能を達成するために不可欠であることを確認した。
さらに、凝縮マルチモーダルグラフは、強いクロスアーキテクチャの一般化を示し、ニューラルアーキテクチャサーチのようなアプリケーションを加速することを約束する。
本研究は,資源制約環境下でのマルチモーダルグラフに基づく学習のためのスケーラブルな方法論を提供する。
関連論文リスト
- Dynamic Deep Graph Learning for Incomplete Multi-View Clustering with Masked Graph Reconstruction Loss [26.31060859315329]
textbfIncomplete textbfMulti-textbfView textbfClustering with textbfMasked Graph Reconstruction Loss (DGIMVCM)を提案する。
次に、グラフ畳み込み埋め込み層を設計し、主要な特徴を抽出し、動的なビュー固有のグラフ構造を洗練し、グローバルグラフを利用して、不足するビューの計算を行う。
論文 参考訳（メタデータ） (2025-11-14T11:26:38Z) - Dual-Kernel Graph Community Contrastive Learning [14.92920991249099]
Graph Contrastive Learning (GCL)は、グラフニューラルネットワーク(GNN)をトレーニングするための強力なパラダイムとして登場した。
本稿では,入力グラフを相互接続ノード集合のコンパクトネットワークに変換する,効率的なGCLフレームワークを提案する。
提案手法は,有効性とスケーラビリティの両面で,最先端のGCLベースラインを上回っている。
論文 参考訳（メタデータ） (2025-11-11T14:20:39Z) - Fast State-Augmented Learning for Wireless Resource Allocation with Dual Variable Regression [83.27791109672927]
本稿では,資源割当ポリシに対する状態拡張グラフニューラルネットワーク(GNN)のパラメトリゼーションが,ユビキタスな二段階的手法の欠点を回避する方法を示す。
ラグランジアンによる国家拡張政策の最大化は、オフライントレーニングフェーズ中に学習される。
収束結果と指数確率は、双対函数(有限値)最適性ギャップの剰余に縛られることを証明する。
論文 参考訳（メタデータ） (2025-06-23T15:20:58Z) - Graph-Aware Isomorphic Attention for Adaptive Dynamics in Transformers [0.0]
変換器の注意機構をグラフ演算として再構成する。
スパース GIN-Attention はスパース GIN を用いた微調整手法である。
論文 参考訳（メタデータ） (2025-01-04T22:30:21Z) - Learning Coarse-Grained Dynamics on Graph [4.692217705215042]
グラフ上の粗粒度動的システムを特定するために,グラフニューラルネットワーク(GNN)非マルコフモデリングフレームワークを検討する。
本研究の主目的は, グラフトポロジを符号化する粗粒度相互作用係数に, モリ・ズワンチのメモリ項の先頭項がどのように依存するかを検査することによって, GNNアーキテクチャを体系的に決定することである。
論文 参考訳（メタデータ） (2024-05-15T13:25:34Z) - Counterfactual Intervention Feature Transfer for Visible-Infrared Person
Re-identification [69.45543438974963]
視覚赤外人物再識別タスク(VI-ReID)におけるグラフベースの手法は,2つの問題により,悪い一般化に悩まされている。
十分に訓練された入力特徴は、グラフトポロジーの学習を弱め、推論過程において十分に一般化されない。
本稿では,これらの問題に対処するためのCIFT法を提案する。
論文 参考訳（メタデータ） (2022-08-01T16:15:31Z) - ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network [72.16255675586089]
本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。
複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
論文 参考訳（メタデータ） (2021-10-15T07:18:57Z) - Adversarial Graph Disentanglement [47.27978741175575]
実世界のグラフは複雑な位相構造を持ち、しばしば異なる潜在因子の相互作用によって形成される。
グラフ表現学習のためのアンダーラインtextbfAdversarial underlinetextbfDisentangled underlinetextbfGraph underlinetextbfConvolutional underlinetextbfNetwork (ADGCN)を提案する。
論文 参考訳（メタデータ） (2021-03-12T14:11:36Z) - Cogradient Descent for Bilinear Optimization [124.45816011848096]
双線形問題に対処するために、CoGDアルゴリズム(Cogradient Descent Algorithm)を導入する。
一方の変数は、他方の変数との結合関係を考慮し、同期勾配降下をもたらす。
本アルゴリズムは,空間的制約下での1変数の問題を解くために応用される。
論文 参考訳（メタデータ） (2020-06-16T13:41:54Z) - Tensor Graph Convolutional Networks for Multi-relational and Robust
Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。
提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文 参考訳（メタデータ） (2020-03-15T02:33:21Z)
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。