論文の概要: Cross-View Topology-Aware Graph Representation Learning

• arxiv url: http://arxiv.org/abs/2512.02130v1
• Date: Mon, 01 Dec 2025 19:00:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.573161
• Title: Cross-View Topology-Aware Graph Representation Learning
• Title（参考訳）: クロスビュートポロジに基づくグラフ表現学習
• Authors: Ahmet Sami Korkmaz, Selim Coskunuzer, Md Joshem Uddin,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph classification has gained significant attention due to its applications in chemistry, social networks, and bioinformatics. While Graph Neural Networks (GNNs) effectively capture local structural patterns, they often overlook global topological features that are critical for robust representation learning. In this work, we propose GraphTCL, a dual-view contrastive learning framework that integrates structural embeddings from GNNs with topological embeddings derived from persistent homology. By aligning these complementary views through a cross-view contrastive loss, our method enhances representation quality and improves classification performance. Extensive experiments on benchmark datasets, including TU and OGB molecular graphs, demonstrate that GraphTCL consistently outperforms state-of-the-art baselines. This study highlights the importance of topology-aware contrastive learning for advancing graph representation methods.
• Abstract（参考訳）: グラフ分類は、化学、ソーシャルネットワーク、バイオインフォマティクスに応用されているため、大きな注目を集めている。 グラフニューラルネットワーク(GNN)は、局所的な構造パターンを効果的にキャプチャするが、堅牢な表現学習に不可欠なグローバルなトポロジ的特徴を無視することが多い。 本稿では,GNN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であるGraphTCLを提案する。 これらの相補的なビューを相互に比較的に損なうことによって,表現の質を高め,分類性能を向上させる。 TUやOGB分子グラフなどのベンチマークデータセットに関する大規模な実験は、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。 本研究は,グラフ表現手法の進歩におけるトポロジーを考慮したコントラスト学習の重要性を強調した。

関連論文リスト

• Graph Self-Supervised Learning with Learnable Structural and Positional Encodings [39.20899720477907]
  我々は、$k$-hopメッセージパッシングスキームを統合したGNNフレームワークであるemphGenHopNetを紹介する。 また,学習過程全体を通してトポロジ的情報を組み込んだ構造的および位置対応GSSLフレームワークを提案する。 我々の研究は、類似の局所構造を持つグラフと異なるグローバルトポロジを持つグラフを区別するGSSLの能力を大幅に向上させた。
  論文  参考訳（メタデータ） (2025-02-22T14:10:06Z)
• Enhancing Graph Representation Learning with Localized Topological Features [29.562627708301694]
  永続ホモロジー理論に基づいてグラフのリッチ接続情報を抽出する原理的手法を提案する。 本手法は,グラフニューラルネットワークの表現学習を強化するためにトポロジ的特徴を利用する。
  論文  参考訳（メタデータ） (2025-01-15T22:12:27Z)
• TopER: Topological Embeddings in Graph Representation Learning [8.052380377159398]
  トポロジカル進化速度 (TopER) は、トポロジカルデータ解析に基づく低次元埋め込み手法である。 TopERはグラフ部分構造の進化率を計算することによって、重要な位相的アプローチである永続化ホモロジーを単純化する。 我々のモデルは、分類、クラスタリング、可視化といったタスクにおいて、分子、生物学的、ソーシャルネットワークのデータセットにまたがる最先端の結果を達成したり、超えたりします。
  論文  参考訳（メタデータ） (2024-10-02T17:31:33Z)
• Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
  グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。 モデルはGCNを適用するために初期グラフを事前に推定する。 一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
  論文  参考訳（メタデータ） (2024-02-25T07:03:37Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• 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)
• Learning Connectivity with Graph Convolutional Networks for Skeleton-based Action Recognition [14.924672048447338]
  グラフのトポロジ特性を学習するグラフ畳み込みネットワークのための新しいフレームワークを提案する。 本手法の設計原理は制約対象関数の最適化に基づいている。 骨格に基づく行動認識の課題に対して行った実験は,提案手法の優位性を示している。
  論文  参考訳（メタデータ） (2021-12-06T19:43:26Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)
• 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。