論文の概要: Structure-Preserving Graph Contrastive Learning for Mathematical Information Retrieval
- arxiv url: http://arxiv.org/abs/2603.08012v1
- Date: Mon, 09 Mar 2026 06:36:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-10 15:13:15.604624
- Title: Structure-Preserving Graph Contrastive Learning for Mathematical Information Retrieval
- Title（参考訳）: 数学的情報検索のための構造保存型グラフコントラスト学習
- Authors: Chun-Hsi Ku, Hung-Hsuan Chen,
- Abstract要約: 本稿では,グラフコントラスト学習(GCL)のための領域固有グラフ拡張手法として可変置換を導入する。
標準的なGCL拡張技術は、特に小さく高度に構造化されたグラフにおいて、数学的公式の意味を歪ませることが多い。
- 参考スコア（独自算出の注目度）: 1.3320917259299652
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper introduces Variable Substitution as a domain-specific graph augmentation technique for graph contrastive learning (GCL) in the context of searching for mathematical formulas. Standard GCL augmentation techniques often distort the semantic meaning of mathematical formulas, particularly for small and highly structured graphs. Variable Substitution, on the other hand, preserves the core algebraic relationships and formula structure. To demonstrate the effectiveness of our technique, we apply it to a classic GCL-based retrieval model. Experiments show that this straightforward approach significantly improves retrieval performance compared to generic augmentation strategies. We release the code on GitHub.\footnote{https://github.com/lazywulf/formula_ret_aug}.
- Abstract（参考訳）: 本稿では,数式探索におけるグラフコントラスト学習(GCL)の分野別グラフ拡張手法として可変置換法を提案する。
標準的なGCL拡張技術は、特に小さく高度に構造化されたグラフにおいて、数学的公式の意味を歪ませることが多い。
一方、変数置換は核となる代数的関係と公式構造を保存する。
本手法の有効性を実証するために,従来のGCLに基づく検索モデルに適用する。
実験により, この単純な手法は, 汎用的な拡張戦略と比較して, 検索性能を著しく向上させることが示された。
コードはGitHubでリリースしています。
https://github.com/lazywulf/formula_ret_aug}
関連論文リスト
- GILT: An LLM-Free, Tuning-Free Graph Foundational Model for In-Context Learning [50.40400074353263]
グラフニューラルネットワーク(GNN)は、リレーショナルデータを先行する強力なツールであるが、しばしば目に見えないグラフに一般化するのに苦労する。
textbfGraph textbfIn-context textbfL textbfTransformer (GILT)を導入する。
論文 参考訳（メタデータ） (2025-10-06T08:09:15Z) - From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited [51.24526202984846]
グラフベースの半教師付き学習(GSSL)は、長い間ホットな研究トピックだった。
グラフ畳み込みネットワーク (GCN) は, 有望な性能を示す主要な技術となっている。
本稿では3つの単純だが強力なグラフ畳み込み法を提案する。
論文 参考訳（メタデータ） (2023-09-24T10:10:21Z) - LightGCL: Simple Yet Effective Graph Contrastive Learning for
Recommendation [9.181689366185038]
グラフニューラルクラスタリングネットワーク(GNN)は、グラフベースのレコメンデータシステムのための強力な学習手法である。
本稿では,単純なグラフコントラスト学習パラダイムであるLightGCLを提案する。
論文 参考訳（メタデータ） (2023-02-16T10:16:21Z) - MA-GCL: Model Augmentation Tricks for Graph Contrastive Learning [41.963242524220654]
グラフコントラスト学習(GCL)のための3つの簡易実装モデル拡張手法を提案する。
具体的には,GCLに対して,非対称,ランダム,シャッフルという,実装が容易なモデル拡張トリックを3つ提示する。
実験の結果,MA-GCLはノード分類ベンチマークで最先端の性能を達成できることがわかった。
論文 参考訳（メタデータ） (2022-12-14T05:04:10Z) - Graph Contrastive Learning with Implicit Augmentations [36.57536688367965]
Inlicit Graph Contrastive Learning (iGCL)は、グラフトポロジ構造を再構築することにより、変分グラフオートエンコーダから学習した潜時空間の増大を利用する。
グラフレベルとノードレベルの両方のタスクに対する実験結果から,提案手法が最先端の性能を実現することを示す。
論文 参考訳（メタデータ） (2022-11-07T17:34:07Z) - Unifying Graph Contrastive Learning with Flexible Contextual Scopes [57.86762576319638]
フレキシブルコンテキストスコープを用いたグラフコントラスト学習(略してUGCL)という自己教師型学習手法を提案する。
本アルゴリズムは,隣接行列のパワーを制御し,コンテキストスコープによるフレキシブルな文脈表現を構築する。
局所的スコープと文脈的スコープの両方の表現に基づいて、distLはグラフ表現学習のための非常に単純な対照的な損失関数を最適化する。
論文 参考訳（メタデータ） (2022-10-17T07:16:17Z) - Revisiting Graph Contrastive Learning from the Perspective of Graph
Spectrum [91.06367395889514]
グラフ拡張によるノード表現の学習には,GCL(Graph Contrastive Learning)が注目されている。
GCLとグラフスペクトルの関連性を確立することで,これらの疑問に答える。
汎用かつGCLフレンドリなプラグインであるスペクトルグラフコントラスト学習モジュール(SpCo)を提案する。
論文 参考訳（メタデータ） (2022-10-05T15:32:00Z)
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。