論文の概要: SPGCL: Simple yet Powerful Graph Contrastive Learning via SVD-Guided Structural Perturbation

• arxiv url: http://arxiv.org/abs/2602.00064v2
• Date: Tue, 03 Feb 2026 11:15:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 02:03:42.301328
• Title: SPGCL: Simple yet Powerful Graph Contrastive Learning via SVD-Guided Structural Perturbation
• Title（参考訳）: SPGCL:SVD誘導構造摂動による単純かつ強力なグラフコントラスト学習
• Authors: Hao Deng, Zhang Guo, Shuiping Gou, Bo Liu,
• Abstract要約: グラフネットワーク(GNN)は、敵の攻撃や欠陥による構造ノイズに敏感である。 既存のグラフコントラッシブラーニング(GCL)の手法は、通常、多様性のためにランダムな摂動(エッジドロップなど)またはスペクトル増強(SVDなど)に依存する。 SVD誘導構造摂動による強靭なGCLのためのフレームワークであるSPGCLを提案する。
• 参考スコア（独自算出の注目度）: 10.805916465210993
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Neural Networks (GNNs) are sensitive to structural noise from adversarial attacks or imperfections. Existing graph contrastive learning (GCL) methods typically rely on either random perturbations (e.g., edge dropping) for diversity or spectral augmentations (e.g., SVD) to preserve structural priors. However, random perturbations are structure-agnostic and may remove critical edges, while SVD-based views often lack sufficient diversity. Integrating these paradigms is challenging as they operate on discrete edge removal and continuous matrix factorization, respectively.We propose SPGCL, a framework for robust GCL via SVD-guided structural perturbation. Leveraging a recently developed SVD-based method that generalizes structural perturbation theory to arbitrary graphs, we design a two-stage strategy: (1) lightweight stochastic edge removal to inject diversity, and (2) truncated SVD to derive a structure-aware scoring matrix for sparse top-$P$ edge recovery. This integration offers three advantages: (1) Robustness to accidental deletion, as important edges can be recovered by SVD-guided scoring; (2) Enrichment with missing links, creating more informative contrastive views by introducing semantically meaningful edges; and (3) Controllable structural discrepancy, ensuring contrastive signals stem from semantic differences rather than edge-number gaps.Furthermore, we incorporate a contrastive fusion module with a global similarity constraint to align embeddings. Extensive experiments on ten benchmark datasets demonstrate that SPGCL consistently improves the robustness and accuracy of GNNs, outperforming state-of-the-art GCL and structure learning methods, validating its effectiveness in integrating previously disparate paradigms.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、敵の攻撃や不完全性による構造ノイズに敏感である。 既存のグラフコントラッシブラーニング(GCL)法は、通常、多様性のためにランダムな摂動(例えばエッジドロップ)か、構造的先行性を維持するためにスペクトル増強(例えばSVD)のいずれかに依存している。 しかし、ランダムな摂動は構造に依存しず、臨界エッジを除去する可能性があるが、SVDベースのビューは十分な多様性を欠くことが多い。 これらのパラダイムを統合することは,それぞれ離散的なエッジ除去と連続行列分解を行う上で困難であり,SVD誘導構造摂動による堅牢なGCLのためのフレームワークであるSPGCLを提案する。 最近開発されたSVDに基づく構造摂動理論を任意のグラフに一般化する手法を応用し,(1)多様性を注入する軽量な確率的エッジ除去,(2)スパーストップ$P$エッジリカバリのための構造対応スコアリング行列を導出するトラクション付きSVDを設計する。 この統合は,(1)重要なエッジをSVD誘導スコアで回収できるような,偶然削除に対するロバスト性,(2)意味的に意味のあるエッジを導入することで,より情報に富んだコントラスト的な視点を創出する,(3)有意味なエッジを導入することで,コントラスト的な信号を確保する,(3)エッジ数ギャップではなく意味的な違いから生じるコントラスト的な信号を確保する,という3つの利点を提供する。 10のベンチマークデータセットに対する大規模な実験により、SPGCLはGNNの堅牢性と精度を一貫して改善し、最先端のGCLと構造学習法より優れており、従来と異なるパラダイムを統合する上での有効性が検証されている。

関連論文リスト

• Bridging Symmetry and Robustness: On the Role of Equivariance in Enhancing Adversarial Robustness [9.013874391203453]
  敵対的な例では、知覚不能な入力摂動に対する感度を利用して、ディープニューラルネットワークの重大な脆弱性を明らかにしている。 本研究では,群-同変畳み込みを組込み,対向ロバスト性に対するアーキテクチャ的アプローチについて検討する。 これらの層は、モデル行動と入力空間の構造化変換を整合させる対称性の先行を符号化し、よりスムーズな決定境界を促進する。
  論文  参考訳（メタデータ） (2025-10-17T19:26:58Z)
• A Generative Graph Contrastive Learning Model with Global Signal [0.0]
  高精度グラフ学習のためのコントラスト信号生成フレームワーク(CSG2L) 本研究では,CSG2L (Contrastive Signal Generative Framework for Accurate Graph Learning) を提案する。 ベンチマークデータセットの実験では、提案されたCSG2Lが最先端のベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2025-04-25T08:00:38Z)
• AS-GCL: Asymmetric Spectral Augmentation on Graph Contrastive Learning [25.07818336162072]
  グラフ・コントラシブ・ラーニング(GCL)は,グラフ構造化データの自己教師型学習における最前線として登場した。 グラフのコントラスト学習に非対称スペクトル拡張を取り入れたAS-GCLという新しいパラダイムを提案する。 提案手法は各コンポーネントに大幅な拡張をもたらす。
  論文  参考訳（メタデータ） (2025-02-19T08:22:57Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• Revisiting Self-Supervised Heterogeneous Graph Learning from Spectral Clustering Perspective [52.662463893268225]
  自己教師付きヘテロジニアスグラフ学習(SHGL)は様々なシナリオにおいて有望な可能性を示している。 既存のSHGLメソッドには2つの大きな制限がある。 ランクと二重整合性制約によって強化された新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-12-01T09:33:20Z)
• Byzantine-Robust Learning on Heterogeneous Data via Gradient Splitting [58.91947205027892]
  フェデレーテッド・ラーニングはビザンツの攻撃に対する脆弱性を示している。 ビザンティン攻撃者は、任意の勾配を中央サーバに送ることで、グローバルモデルの収束と性能を破壊することができる。 アグレゲーション・ルール(AGR)は、ビザンツの攻撃から守るために提案されている。
  論文  参考訳（メタデータ） (2023-02-13T03:31:50Z)
• GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
  Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。 我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。 学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
  論文  参考訳（メタデータ） (2022-12-07T10:19:39Z)

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。