論文の概要: Graph Contrastive Learning via Spectral Graph Alignment

• arxiv url: http://arxiv.org/abs/2512.07878v1
• Date: Thu, 27 Nov 2025 13:16:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 04:16:52.540433
• Title: Graph Contrastive Learning via Spectral Graph Alignment
• Title（参考訳）: スペクトルグラフアライメントによるグラフコントラスト学習
• Authors: Manh Nguyen, Joshua Cape,
• Abstract要約: 正規化ラプラシアン間の差を最小化することにより、グラフのビューを整列する新しい損失関数SpecMatch-CLを導入する。 実験的に、SpecMatch-CLは低ラベルレートで教師なしの学習と半教師なしの学習の下で8つのTUベンチマークで新しい技術状態を確立する。
• 参考スコア（独自算出の注目度）: 1.1458853556386799
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given augmented views of each input graph, contrastive learning methods (e.g., InfoNCE) optimize pairwise alignment of graph embeddings across views while providing no mechanism to control the global structure of the view specific graph-of-graphs built from these embeddings. We introduce SpecMatch-CL, a novel loss function that aligns the view specific graph-of-graphs by minimizing the difference between their normalized Laplacians. Theoretically, we show that under certain assumptions, the difference between normalized Laplacians provides an upper bound not only for the difference between the ideal Perfect Alignment contrastive loss and the current loss, but also for the Uniformly loss. Empirically, SpecMatch-CL establishes new state of the art on eight TU benchmarks under unsupervised learning and semi-supervised learning at low label rates, and yields consistent gains in transfer learning on PPI-306K and ZINC 2M datasets.
• Abstract（参考訳）: 各入力グラフの強化ビューが与えられた場合、コントラスト学習手法(InfoNCE)は、ビューをまたいだグラフ埋め込みのペアワイズアライメントを最適化すると同時に、これらの埋め込みから構築されたビュー固有のグラフのグローバル構造を制御するメカニズムを提供しない。 正規化ラプラシアン間の差を最小化することにより、グラフのビューを整列する新しい損失関数SpecMatch-CLを導入する。 理論的には、ある仮定の下では、正規化されたラプラシアン間の差は、理想的完全配向損失と現在の損失との差だけでなく、一様損失に対しても上限を与える。 実験的にSpecMatch-CLは、教師なし学習と半教師なし学習を低ラベルレートで8つのTUベンチマークで新たに最先端のベンチマークを確立し、PPI-306KとZINC 2Mデータセットでの転送学習で一貫したゲインを得る。

関連論文リスト

• Subgraph Networks Based Contrastive Learning [5.736011243152416]
  グラフコントラスト学習(GCL)は、注釈付きデータ不足の問題を解決する。 既存のGCL手法の多くは、グラフ拡張戦略や相互情報推定操作の設計に重点を置いている。 サブグラフネットワークに基づくコントラスト学習(SGNCL)という新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-06T08:52:44Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• Coarse-to-Fine Contrastive Learning on Graphs [38.41992365090377]
  ノード表現を自己管理的に学習するために、さまざまなグラフ拡張戦略が採用されている。 我々は,異なるノード間の識別情報を確実に維持するために,自己評価パラダイムを導入する。 各種ベンチマークデータセットの実験結果から,提案アルゴリズムの有効性を検証した。
  論文  参考訳（メタデータ） (2022-12-13T08:17:20Z)
• Localized Contrastive Learning on Graphs [110.54606263711385]
  局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。 その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
  論文  参考訳（メタデータ） (2022-12-08T23:36:00Z)
• GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
  グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。 本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T02:58:36Z)
• Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
  離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。 本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
  論文  参考訳（メタデータ） (2022-02-07T08:04:59Z)
• Dual Space Graph Contrastive Learning [82.81372024482202]
  本研究では,新しいグラフコントラスト学習手法,すなわち textbfDual textbfSpace textbfGraph textbfContrastive (DSGC) Learningを提案する。 両空間にはグラフデータを埋め込み空間に表現する独自の利点があるので、グラフコントラスト学習を用いて空間をブリッジし、双方の利点を活用することを期待する。
  論文  参考訳（メタデータ） (2022-01-19T04:10:29Z)
• 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)

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。