論文の概要: Hyperspherical Graph Representation Learning via Adaptive Neighbor-Mean Alignment and Uniformity

• arxiv url: http://arxiv.org/abs/2512.24062v1
• Date: Tue, 30 Dec 2025 08:11:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.320425
• Title: Hyperspherical Graph Representation Learning via Adaptive Neighbor-Mean Alignment and Uniformity
• Title（参考訳）: 適応的近傍平均アライメントと一様性による超球面グラフ表現学習
• Authors: Rui Chen, Junjun Guo, Hongbin Wang, Yan Xiang, Yantuan Xian, Zhengtao Yu,
• Abstract要約: HyperGRLは、隣接する平均アライメントとサンプリング不要な一様性という2つの相反する目的を通じて、単位超球面上にノードを埋め込む。 実験により、HyperGRLは様々なグラフ構造に対して優れた表現品質と改善を提供することが示された。
• 参考スコア（独自算出の注目度）: 19.848715662098645
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph representation learning (GRL) aims to encode structural and semantic dependencies of graph-structured data into low-dimensional embeddings. However, existing GRL methods often rely on surrogate contrastive objectives or mutual information maximization, which typically demand complex architectures, negative sampling strategies, and sensitive hyperparameter tuning. These design choices may induce over-smoothing, over-squashing, and training instability. In this work, we propose HyperGRL, a unified framework for hyperspherical graph representation learning via adaptive neighbor-mean alignment and sampling-free uniformity. HyperGRL embeds nodes on a unit hypersphere through two adversarially coupled objectives: neighbor-mean alignment and sampling-free uniformity. The alignment objective uses the mean representation of each node's local neighborhood to construct semantically grounded, stable targets that capture shared structural and feature patterns. The uniformity objective formulates dispersion via an L2-based hyperspherical regularization, encouraging globally uniform embedding distributions while preserving discriminative information. To further stabilize training, we introduce an entropy-guided adaptive balancing mechanism that dynamically regulates the interplay between alignment and uniformity without requiring manual tuning. Extensive experiments on node classification, node clustering, and link prediction demonstrate that HyperGRL delivers superior representation quality and generalization across diverse graph structures, achieving average improvements of 1.49%, 0.86%, and 0.74% over the strongest existing methods, respectively. These findings highlight the effectiveness of geometrically grounded, sampling-free contrastive objectives for graph representation learning.
• Abstract（参考訳）: グラフ表現学習(GRL)は、グラフ構造データの構造的および意味的依存関係を低次元埋め込みに符号化することを目的としている。 しかし、既存のGRL法は、しばしば、複雑なアーキテクチャ、負のサンプリング戦略、敏感なハイパーパラメータチューニングを必要とする、対照的な目的や相互情報の最大化に頼っている。 これらの設計選択は、過密、過密、およびトレーニング不安定を引き起こす可能性がある。 本研究では,適応的近傍平均アライメントとサンプリング自由一様性による超球面グラフ表現学習のための統一フレームワークHyperGRLを提案する。 HyperGRLは、隣接する平均アライメントとサンプリング不要な一様性という2つの相反する目的を通じて、単位超球面上にノードを埋め込む。 アライメントの目的は、各ノードの局所的近傍の平均表現を使用して、共有構造パターンと特徴パターンをキャプチャするセマンティックな基盤を持つ安定したターゲットを構築する。 均一性は、L2ベースの超球面正規化を介して分散を定式化し、識別情報を保存しつつ、グローバルな均一な埋め込み分布を奨励する。 さらにトレーニングを安定させるために,手動チューニングを必要とせず,アライメントと均一性の相互作用を動的に制御するエントロピー誘導適応バランス機構を導入する。 ノード分類、ノードクラスタリング、リンク予測に関する大規模な実験は、HyperGRLが様々なグラフ構造に対して優れた表現品質と一般化を提供し、それぞれ最強の既存手法よりも1.49%、0.86%、0.74%の平均的な改善を実現していることを示している。 これらの知見は,グラフ表現学習における幾何的接地,サンプリング不要なコントラスト目的の有効性を浮き彫りにした。

関連論文リスト

• Negative-Free Self-Supervised Gaussian Embedding of Graphs [29.26519601854811]
  グラフコントラスト学習(GCL)は、有望なグラフ自己教師型学習フレームワークとして登場した。 正規化された等方的ガウス関数に従って分布する点が単位超球面全体に均一に広がるという事実に着想を得た、一様性を達成するための負の目的を提案する。 提案手法は,既存のGCL法と比較して,少ないパラメータ,短いトレーニング時間,少ないメモリ消費で競合性能を実現する。
  論文  参考訳（メタデータ） (2024-11-02T07:04:40Z)
• How to Bridge Spatial and Temporal Heterogeneity in Link Prediction? A Contrastive Method [11.719027225797037]
  我々は,新しいtextbfContrastive Learning-based textbfLink textbfPrediction model, textbfCLPを提案する。 我々のマイモデルは最先端モデルよりも一貫して優れており、AUCとAPで平均10.10%、13.44%の改善が示されている。
  論文  参考訳（メタデータ） (2024-11-01T14:20:53Z)
• Differentiable Cluster Graph Neural Network [16.26923480430114]
  本稿では、追加のクラスタノードを用いて、クラスタリング誘導バイアスをメッセージパッシング機構に組み込むフレームワークを提案する。 提案手法は局所的および大域的情報の両方を効果的に捉えることができ, ヘテロ親和性データセットとホモ親和性データセットの両方に関する広範な実験によって実証された。
  論文  参考訳（メタデータ） (2024-05-25T11:23:39Z)
• Generative-Contrastive Heterogeneous Graph Neural Network [17.889906784627904]
  異種グラフ(HG)は、マルチタイプのノードとエッジを通じて、実世界の複雑な関係を効果的にモデル化する。 コントラスト学習(CL)ベースのヘテロジニアスグラフニューラルネットワーク(HGNN)は、下流タスクにデータ拡張とコントラスト識別を活用できる大きな可能性を示している。 我々はGC-HGNN(Generative-Contrastive Heterogeneous Graph Neural Network)を提案する。 具体的には、CLに基づくパラダイムを強化する異種グラフ生成学習手法を提案する。
  論文  参考訳（メタデータ） (2024-04-03T15:31:18Z)
• Dynamic Kernel-Based Adaptive Spatial Aggregation for Learned Image Compression [63.56922682378755]
  本稿では,空間アグリゲーション機能の拡張に焦点をあて,動的カーネルベースの変換符号化を提案する。 提案したアダプティブアグリゲーションはカーネルオフセットを生成し、コンテント条件付き範囲の有効な情報をキャプチャして変換を支援する。 実験により,本手法は,最先端の学習手法と比較して,3つのベンチマークにおいて高い速度歪み性能が得られることを示した。
  論文  参考訳（メタデータ） (2023-08-17T01:34:51Z)
• 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)
• Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
  グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。 グラフが現在の勾配を混合する能力を定量化する計量法を提案する。 そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-13T15:54:35Z)
• 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)
• Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
  本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。 提案されたSSCAGは最先端のアプローチと競合する。
  論文  参考訳（メタデータ） (2021-04-24T08:09:27Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)

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。