論文の概要: Simple Network Graph Comparative Learning

• arxiv url: http://arxiv.org/abs/2601.10150v1
• Date: Thu, 15 Jan 2026 07:43:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 19:43:19.040058
• Title: Simple Network Graph Comparative Learning
• Title（参考訳）: 簡単なネットワークグラフ比較学習
• Authors: Qiang Yu, Xinran Cheng, Shiqiang Xu, Chuanyi Liu,
• Abstract要約: 本研究では,SNGCL(Simple Network Graph Comparison Learning)と呼ばれる新しいノード分類コントラスト学習手法を提案する。 SNGCLは、データ処理のステップとして多層ラプラス平滑化フィルタを用いて、大域的および局所的な特徴平滑化行列を得る。 我々はSNGCLをノード分類タスクの最先端モデルと比較し、SNGCLがほとんどのタスクにおいて強い競争力を持つことを示す実験結果を得た。
• 参考スコア（独自算出の注目度）: 5.592987325966423
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The effectiveness of contrastive learning methods has been widely recognized in the field of graph learning, especially in contexts where graph data often lack labels or are difficult to label. However, the application of these methods to node classification tasks still faces a number of challenges. First, existing data enhancement techniques may lead to significant differences from the original view when generating new views, which may weaken the relevance of the view and affect the efficiency of model training. Second, the vast majority of existing graph comparison learning algorithms rely on the use of a large number of negative samples. To address the above challenges, this study proposes a novel node classification contrast learning method called Simple Network Graph Comparative Learning (SNGCL). Specifically, SNGCL employs a superimposed multilayer Laplace smoothing filter as a step in processing the data to obtain global and local feature smoothing matrices, respectively, which are thus passed into the target and online networks of the siamese network, and finally employs an improved triple recombination loss function to bring the intra-class distance closer and the inter-class distance farther. We have compared SNGCL with state-of-the-art models in node classification tasks, and the experimental results show that SNGCL is strongly competitive in most tasks.
• Abstract（参考訳）: 対照的な学習手法の有効性はグラフ学習の分野で広く認識されており、特にグラフデータがラベルを欠いている場合やラベル付けが難しい場合が多い。 しかし、これらの手法をノード分類タスクに適用することは、まだ多くの課題に直面している。 まず、既存のデータ拡張技術は、新しいビューを生成する際に元のビューと大きな違いを生じさせ、ビューの関連性を弱め、モデルのトレーニングの効率に影響を及ぼす可能性がある。 第二に、既存のグラフ比較学習アルゴリズムの大部分は、多くの負のサンプルを使用することに依存している。 そこで本研究では,SNGCL(Simple Network Graph Comparison Learning)と呼ばれる新しいノード分類コントラスト学習手法を提案する。 具体的には、SNGCLは、データ処理のステップとして重畳された多層ラプラス平滑化フィルタを用いて、大域的特徴平滑化行列と局所的特徴平滑化行列をそれぞれ取得し、シアムネットワークのターゲットネットワークとオンラインネットワークに渡され、最終的に改良されたトリプル組換え損失関数を用いて、クラス内距離とクラス間距離を近づける。 我々はSNGCLをノード分類タスクの最先端モデルと比較し,SNGCLがほとんどのタスクにおいて強い競争力を持つことを示す実験結果を得た。

関連論文リスト

• A Re-node Self-training Approach for Deep Graph-based Semi-supervised Classification on Multi-view Image Data [10.453339156813852]
  マルチビューデータ(RSGSLM)のためのノード自己学習グラフに基づく半教師付き学習を提案する。 本手法は,グラフ畳み込みネットワーク(GCN)フレームワークにおける線形特徴変換と多視点グラフ融合を組み合わせることで,課題に対処する。 マルチビューベンチマーク画像データセットの実験結果は、RSGSLMが既存の半教師付き学習アプローチを超越していることを示している。
  論文  参考訳（メタデータ） (2025-10-27T10:02:53Z)
• Multi-Task Curriculum Graph Contrastive Learning with Clustering Entropy Guidance [25.5510013711661]
  本稿ではクラスタリング誘導型Curriculum Graph contrastive Learning(CCGL)フレームワークを提案する。 CCGLは以下のグラフ拡張とコントラスト学習のガイダンスとしてクラスタリングエントロピーを使用している。 実験の結果,CCGLは最先端の競合に比べて優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-22T02:18:47Z)
• Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
  不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。 最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。 我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
  論文  参考訳（メタデータ） (2023-10-23T01:25:44Z)
• Two-level Graph Network for Few-Shot Class-Incremental Learning [7.815043173207539]
  FSCIL(Few-shot class-incremental Learning)は、いくつかのデータポイントから新しい概念を継続的に学習できる機械学習アルゴリズムを設計することを目的としている。 既存のFSCILメソッドは、サンプルレベルとクラスレベルの意味関係を無視する。 本稿では,サンプルレベルとクラスレベルグラフニューラルネット(SCGN)というFSCIL用の2レベルグラフネットワークを設計した。
  論文  参考訳（メタデータ） (2023-03-24T08:58:08Z)
• 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)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Contrastive and Generative Graph Convolutional Networks for Graph-based Semi-Supervised Learning [64.98816284854067]
  グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。 本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-15T13:59:28Z)

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。