論文の概要: Including Node Textual Metadata in Laplacian-constrained Gaussian Graphical Models

• arxiv url: http://arxiv.org/abs/2602.15920v1
• Date: Tue, 17 Feb 2026 09:43:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-19 15:58:30.397557
• Title: Including Node Textual Metadata in Laplacian-constrained Gaussian Graphical Models
• Title（参考訳）: Laplacian-Constrained Gaussian Graphical Modelにおけるノードテクスチュアルメタデータを含む
• Authors: Jianhua Wang, Killian Cressant, Pedro Braconnot Velloso, Arnaud Breloy,
• Abstract要約: 本稿では,ノード信号やメタデータを協調的に活用するラプラシアン制約GGMに基づくグラフ学習手法を提案する。 実世界の財務データを用いた実験結果から,提案手法はグラフクラスタリング性能を著しく向上することが示された。
• 参考スコア（独自算出の注目度）: 10.329784136000344
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper addresses graph learning in Gaussian Graphical Models (GGMs). In this context, data matrices often come with auxiliary metadata (e.g., textual descriptions associated with each node) that is usually ignored in traditional graph estimation processes. To fill this gap, we propose a graph learning approach based on Laplacian-constrained GGMs that jointly leverages the node signals and such metadata. The resulting formulation yields an optimization problem, for which we develop an efficient majorization-minimization (MM) algorithm with closed-form updates at each iteration. Experimental results on a real-world financial dataset demonstrate that the proposed method significantly improves graph clustering performance compared to state-of-the-art approaches that use either signals or metadata alone, thus illustrating the interest of fusing both sources of information.
• Abstract（参考訳）: 本稿ではガウス図形モデル(GGM)におけるグラフ学習について述べる。 この文脈では、データ行列は、通常、従来のグラフ推定プロセスで無視される補助メタデータ(例えば、各ノードに関連付けられたテキスト記述)を伴っていることが多い。 このギャップを埋めるために,ノード信号やメタデータを協調的に活用するラプラシアン制約GGMに基づくグラフ学習手法を提案する。 得られた定式化は最適化問題となり、各イテレーションでクローズドフォーム更新を施した効率のよい一般化最小化(MM)アルゴリズムを開発する。 実世界の財務データを用いた実験結果から,提案手法は,信号やメタデータのみを使用する最先端の手法と比較して,グラフクラスタリング性能を著しく向上することが示された。

関連論文リスト

• Semi-supervised Instruction Tuning for Large Language Models on Text-Attributed Graphs [62.544129365882014]
  本稿では,SIT-Graph というグラフ学習用セミ教師付きインストラクションチューニングパイプラインを提案する。 SIT-Graphはモデルに依存しず、LSMを予測子として利用するグラフ命令チューニングメソッドにシームレスに統合することができる。 SIT-Graphは、最先端グラフチューニング手法に組み込むと、テキスト分散グラフベンチマークの性能を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2026-01-19T08:10:53Z)
• Neighborhood-Adaptive Generalized Linear Graph Embedding with Latent Pattern Mining [0.0]
  グラフ埋め込みは、ネットワーク分析、ソーシャルネットワークマイニング、レコメンデーションシステム、バイオインフォマティクスといった分野に広く応用されている。 パターンマイニングを基礎としたNGLGE(Neighborhood-Adaptive Generalized Linear Graph Embedding)を提案する。 このモデルでは,周辺に適応的なグラフ学習手法を導入し,本質的なデータ相関を効果的に明らかにする。
  論文  参考訳（メタデータ） (2025-10-07T09:37:29Z)
• Leveraging Low-rank Factorizations of Conditional Correlation Matrices in Graph Learning [46.49143964254245]
  本稿では,各ノードに収集されたデータから非方向グラフを学習する問題に対処する。 対応するグラフ学習問題は、変数の数(ノード)の平方にスケールする。 条件相関行列の低ランク分解を利用したグラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-12T12:13:11Z)
• Heterogeneous Graph Structure Learning through the Lens of Data-generating Processes [11.774563966512709]
  観測データからグラフ構造を推定することは、グラフ機械学習における重要なタスクである。 本稿ではヘテロジニアスグラフ構造学習(HGSL)の最初のアプローチを紹介する。
  論文  参考訳（メタデータ） (2025-03-11T16:14:53Z)
• Joint Graph Learning and Model Fitting in Laplacian Regularized Stratified Models [5.933030735757292]
  ラプラシア正規化成層モデル(Laplacian regularized Stratified Model、LRSM)は、サブプロブレムの明示的または暗黙的なネットワーク構造を利用するモデルである。 本稿では,LRSMにおけるグラフ重みの重要性と感度を示し,その感度が任意に大きいことを示す。 本稿では,1つの最適化問題を解くことで,モデルパラメータを適合させながらグラフを共同学習する汎用的手法を提案する。
  論文  参考訳（メタデータ） (2023-05-04T06:06:29Z)
• Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
  本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。 我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
  論文  参考訳（メタデータ） (2022-06-28T02:10:05Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Evolving-Graph Gaussian Processes [20.065168755580558]
  既存のアプローチでは静的構造に重点を置いているが、実際のグラフデータの多くは動的構造を表しており、GGPの応用は制限されている。 我々はこれを克服するために進化的グラフガウス過程(e-GGP)を提案する。 静的グラフガウスプロセスアプローチに対するe-GGPの利点を実証する。
  論文  参考訳（メタデータ） (2021-06-29T07:16:04Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Wasserstein-based Graph Alignment [56.84964475441094]
  我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。 提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-03-12T22:31:59Z)

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。