論文の概要: HTG-GCL: Leveraging Hierarchical Topological Granularity from Cellular Complexes for Graph Contrastive Learning

• arxiv url: http://arxiv.org/abs/2512.02073v1
• Date: Sun, 30 Nov 2025 09:09:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.553331
• Title: HTG-GCL: Leveraging Hierarchical Topological Granularity from Cellular Complexes for Graph Contrastive Learning
• Title（参考訳）: HTG-GCL:グラフコントラスト学習のための細胞複合体からの階層的トポロジカルグラニュリティの活用
• Authors: Qirui Ji, Bin Qin, Yifan Jin, Yunze Zhao, Chuxiong Sun, Changwen Zheng, Jianwen Cao, Jiangmeng Li,
• Abstract要約: グラフの対比学習は、決定的トポロジ的パターンを共有する同じグラフの異なるビューを対比することにより、識別的意味的不変性を学習することを目的としている。 HTG-GCL(Hierarchical Topological Granularity Graph Contrastive Learning)は,同じグラフの変換を利用して,マルチスケールのリングベース細胞複合体を生成する新しいフレームワークである。
• 参考スコア（独自算出の注目度）: 18.97546255767921
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph contrastive learning (GCL) aims to learn discriminative semantic invariance by contrasting different views of the same graph that share critical topological patterns. However, existing GCL approaches with structural augmentations often struggle to identify task-relevant topological structures, let alone adapt to the varying coarse-to-fine topological granularities required across different downstream tasks. To remedy this issue, we introduce Hierarchical Topological Granularity Graph Contrastive Learning (HTG-GCL), a novel framework that leverages transformations of the same graph to generate multi-scale ring-based cellular complexes, embodying the concept of topological granularity, thereby generating diverse topological views. Recognizing that a certain granularity may contain misleading semantics, we propose a multi-granularity decoupled contrast and apply a granularity-specific weighting mechanism based on uncertainty estimation. Comprehensive experiments on various benchmarks demonstrate the effectiveness of HTG-GCL, highlighting its superior performance in capturing meaningful graph representations through hierarchical topological information.
• Abstract（参考訳）: グラフコントラスト学習(GCL)は、決定的トポロジカルなパターンを共有する同じグラフの異なるビューを対比することにより、識別的意味的不変性を学習することを目的としている。 しかし、構造拡張を伴う既存のGCLアプローチは、様々な下流タスクで要求される粗粒度から細粒度への適応だけでなく、タスク関連トポロジ構造を特定するのに苦労することが多い。 この問題を解決するために, 階層的トポロジカルグラニュラリティグラフ比較学習(HTG-GCL)を導入する。これは, 同じグラフの変換を利用して, マルチスケールのリングベース細胞複合体を生成し, トポロジカルグラニュラリティの概念を具現化し, 多様なトポロジカルビューを生成する新しいフレームワークである。 特定の粒度が誤解を招くセマンティクスを含む可能性があることを認識し,多粒度分離コントラストを提案し,不確実性推定に基づく粒度特異的重み付け機構を適用した。 HTG-GCLの有効性を総合的に検証し,階層的トポロジ情報による有意義なグラフ表現の獲得における優れた性能を示す。

関連論文リスト

• Cross-View Topology-Aware Graph Representation Learning [0.0]
  本稿では,GNNからの構造的埋め込みと,永続的ホモロジーから派生した位相的埋め込みを統合した2視点コントラスト学習フレームワークGraphTCLを提案する。 TUやOGB分子グラフなどのベンチマークデータセットの実験は、GraphTCLが一貫して最先端のベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2025-12-01T19:00:58Z)
• GLANCE: Graph Logic Attention Network with Cluster Enhancement for Heterophilous Graph Representation Learning [47.674647127050186]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習する上で大きな成功を収めている。 本稿では,論理誘導推論,動的グラフ改善,適応クラスタリングを統合し,グラフ表現学習を強化する新しいフレームワークであるGLANCEを提案する。
  論文  参考訳（メタデータ） (2025-07-24T15:45:26Z)
• Revisiting Self-Supervised Heterogeneous Graph Learning from Spectral Clustering Perspective [52.662463893268225]
  自己教師付きヘテロジニアスグラフ学習(SHGL)は様々なシナリオにおいて有望な可能性を示している。 既存のSHGLメソッドには2つの大きな制限がある。 ランクと二重整合性制約によって強化された新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-12-01T09:33:20Z)
• When Witnesses Defend: A Witness Graph Topological Layer for Adversarial Graph Learning [19.566775406771757]
  計算トポロジー、すなわちグラフの永続的ホモロジー表現から生まれたツールで、逆グラフ学習を橋渡しする。 グラフ上の逆解析に証人複体の概念を導入し、グラフの健全な形状特性にのみ焦点をあてる。 6つのデータセットにわたる実験により、Witness Graph Topological Layerは、さまざまな摂動や、さまざまな敵攻撃に対して、GNNの堅牢性を高めます。
  論文  参考訳（メタデータ） (2024-09-21T14:53:32Z)
• TopoGCL: Topological Graph Contrastive Learning [32.993034801654105]
  グラフコントラスト学習(GCL)は、グラフニューラルネットワーク(GNN)の強みを活かす新しい概念として最近登場した。 グラフ上の位相不変性と拡張持続性の概念をGCLに導入する。 以上の結果から,新しいトポロジカルグラフコントラスト学習(TopoGCL)モデルは,12の考察データセットのうち11の教師なしグラフ分類において,大幅な性能向上を実現し,ノイズのあるシナリオ下で頑健性を示した。
  論文  参考訳（メタデータ） (2024-06-25T03:35:20Z)
• Hierarchical Topology Isomorphism Expertise Embedded Graph Contrastive Learning [37.0788516033498]
  本稿では,新しい階層型トポロジアイソモーフィズムの専門知識をグラフに組み込んだコントラスト学習を提案する。 我々は,提案手法が複数の最先端GCLモデルに対して普遍的であることを実証的に実証した。 本手法は、教師なし表現学習環境において、最先端の手法を0.23%上回る。
  論文  参考訳（メタデータ） (2023-12-21T14:07:46Z)
• 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)
• 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)
• Heterogeneous Graph Neural Networks using Self-supervised Reciprocally Contrastive Learning [102.9138736545956]
  不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。 我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。 この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
  論文  参考訳（メタデータ） (2022-04-30T12:57:02Z)

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。