論文の概要: Graph is a Substrate Across Data Modalities

• arxiv url: http://arxiv.org/abs/2601.22384v1
• Date: Thu, 29 Jan 2026 22:46:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.109303
• Title: Graph is a Substrate Across Data Modalities
• Title（参考訳）: Graphはデータモダリティにまたがる基盤
• Authors: Ziming Li, Xiaoming Wu, Zehong Wang, Jiazheng Li, Yijun Tian, Jinhe Bi, Yunpu Ma, Yanfang Ye, Chuxu Zhang,
• Abstract要約: グラフは、様々な領域にまたがる関係構造の自然な表現を提供する。 このユビキティにもかかわらず、グラフ構造は通常、モダリティとタスク分離の方法で学習される。 本稿では,共有グラフ構造に関する学習を組織化するグラフ基板フレームワークG-Substrateを提案する。
• 参考スコア（独自算出の注目度）: 50.51414622183521
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graphs provide a natural representation of relational structure that arises across diverse domains. Despite this ubiquity, graph structure is typically learned in a modality- and task-isolated manner, where graph representations are constructed within individual task contexts and discarded thereafter. As a result, structural regularities across modalities and tasks are repeatedly reconstructed rather than accumulated at the level of intermediate graph representations. This motivates a representation-learning question: how should graph structure be organized so that it can persist and accumulate across heterogeneous modalities and tasks? We adopt a representation-centric perspective in which graph structure is treated as a structural substrate that persists across learning contexts. To instantiate this perspective, we propose G-Substrate, a graph substrate framework that organizes learning around shared graph structures. G-Substrate comprises two complementary mechanisms: a unified structural schema that ensures compatibility among graph representations across heterogeneous modalities and tasks, and an interleaved role-based training strategy that exposes the same graph structure to multiple functional roles during learning. Experiments across multiple domains, modalities, and tasks show that G-Substrate outperforms task-isolated and naive multi-task learning methods.
• Abstract（参考訳）: グラフは、様々な領域にまたがる関係構造の自然な表現を提供する。 このユビキティにもかかわらず、グラフ構造は通常、個々のタスクコンテキスト内でグラフ表現を構築し、その後破棄される、モダリティとタスク分離の方法で学習される。 その結果、中間グラフ表現のレベルで蓄積されるのではなく、モダリティやタスクにまたがる構造的規則性が繰り返し再構成される。 グラフ構造が不均一なモダリティやタスクにまたがって持続し、蓄積できるように、どのように組織化されるべきなのか? グラフ構造を学習コンテキスト全体にわたって持続する構造基板として扱う表現中心の視点を採用する。 この観点から,共有グラフ構造に関する学習を組織化するグラフ基板フレームワークG-Substrateを提案する。 G-Substrateは、不均一なモダリティとタスク間のグラフ表現の互換性を保証する統一構造スキーマと、学習中に同じグラフ構造を複数の機能的役割に公開するインターリーブされたロールベースのトレーニング戦略の2つの補完的なメカニズムで構成されている。 複数の領域、モダリティ、タスクにわたる実験により、G-Substrateはタスク分離学習法やナイーブマルチタスク学習法より優れていることが示された。

関連論文リスト

• From Features to Structure: Task-Aware Graph Construction for Relational and Tabular Learning with GNNs [6.0757501646966965]
  タスク対応グラフ拡張のための統合フレームワークであるauGraphを紹介する。 auGraphは、属性をノードに選択的にプロモートすることで、ベースグラフ構造を強化する。 タスク関連構造信号を注入しながら、元のデータスキーマを保存する。
  論文  参考訳（メタデータ） (2025-06-02T20:42:53Z)
• Homophily-enhanced Structure Learning for Graph Clustering [19.586401211161846]
  グラフ構造学習は、欠落したリンクを追加し、スプリアス接続を取り除くことで、入力グラフの精細化を可能にする。 グラフ構造学習におけるこれまでの取り組みは、主に教師付き設定を中心に行われてきた。 グラフクラスタリングのためのtextbfhomophily-enhanced structure textbflearning という新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-10T02:53:30Z)
• Semantic Random Walk for Graph Representation Learning in Attributed Graphs [2.318473106845779]
  本稿では,2つの異種ソースの結合最適化を高次近接ベースフレームワークに定式化するための新しい意味グラフ表現(SGR)法を提案する。 高次トポロジ確率を考慮した従来の埋め込み法は、新しく構築されたグラフに容易に適用でき、ノードと属性の両方の表現を学習することができる。 学習された属性の埋め込みは、セマンティック指向の推論タスクを効果的にサポートし、グラフの深いセマンティックを明らかにするのに役立つ。
  論文  参考訳（メタデータ） (2023-05-11T02:35:16Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Group Contrastive Self-Supervised Learning on Graphs [101.45974132613293]
  グラフ上での自己教師型学習をコントラッシブ手法を用いて研究する。 複数の部分空間におけるグラフの対比により、グラフエンコーダはより豊富な特徴を捉えることができる。
  論文  参考訳（メタデータ） (2021-07-20T22:09:21Z)
• CommPOOL: An Interpretable Graph Pooling Framework for Hierarchical Graph Representation Learning [74.90535111881358]
  新しい解釈可能なグラフプーリングフレームワークである CommPOOL を提案します。 グラフ表現学習プロセスにおいて、グラフの階層的なコミュニティ構造をキャプチャし、保存することができる。 CommPOOLは階層グラフ表現学習のための汎用的で柔軟なフレームワークです。
  論文  参考訳（メタデータ） (2020-12-10T21:14:18Z)
• GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
  本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。 学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。 GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
  論文  参考訳（メタデータ） (2020-07-07T16:51:39Z)
• Structural Landmarking and Interaction Modelling: on Resolution Dilemmas in Graph Classification [50.83222170524406]
  解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」 構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
  論文  参考訳（メタデータ） (2020-06-29T01:01:42Z)

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。