論文の概要: Towards Effective and Efficient Graph Alignment without Supervision
- arxiv url: http://arxiv.org/abs/2603.08526v1
- Date: Mon, 09 Mar 2026 16:00:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-10 15:13:16.389622
- Title: Towards Effective and Efficient Graph Alignment without Supervision
- Title（参考訳）: スーパービジョンを使わずにグラフアライメントを効果的かつ効果的に
- Abstract要約: 教師なしグラフアライメントは、アンカーノードペアなしで異なるグラフ間のノード対応を見つけることを目的としている。
局所的およびグローバルなグラフ情報の活用に焦点を当てて、局所的表現、グローバルなアライメントのパラダイムとして定式化する。
本稿では,アライメントプロセスにおける2つのフェーズ間のミスマッチを解決するために,新たなグローバル表現とアライメントのパラダイムを提案する。
- 参考スコア（独自算出の注目度）: 28.31247120989485
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised graph alignment aims to find the node correspondence across different graphs without any anchor node pairs. Despite the recent efforts utilizing deep learning-based techniques, such as the embedding and optimal transport (OT)-based approaches, we observe their limitations in terms of model accuracy-efficiency tradeoff. By focusing on the exploitation of local and global graph information, we formalize them as the ``local representation, global alignment'' paradigm, and present a new ``global representation and alignment'' paradigm to resolve the mismatch between the two phases in the alignment process. We then propose \underline{Gl}obal representation and \underline{o}ptimal transport-\underline{b}ased \underline{Align}ment (\texttt{GlobAlign}), and its variant, \texttt{GlobAlign-E}, for better \underline{E}fficiency. Our methods are equipped with the global attention mechanism and a hierarchical cross-graph transport cost, able to capture long-range and implicit node dependencies beyond the local graph structure. Furthermore, \texttt{GlobAlign-E} successfully closes the time complexity gap between representative embedding and OT-based methods, reducing OT's cubic complexity to quadratic terms. Through extensive experiments, our methods demonstrate superior performance, with up to a 20\% accuracy improvement over the best competitor. Meanwhile, \texttt{GlobAlign-E} achieves the best efficiency, with an order of magnitude speedup against existing OT-based methods.
- Abstract（参考訳）: 教師なしグラフアライメントは、アンカーノードペアなしで異なるグラフ間のノード対応を見つけることを目的としている。
近年,組込み・最適輸送(OT)のような深層学習技術を活用しているにもかかわらず,その限界をモデル精度・効率トレードオフの観点から観察している。
局所的およびグローバルなグラフ情報の活用に焦点をあてて、「局所的表現、グローバルなアライメント」パラダイムとして定式化し、アライメントプロセスにおける2つのフェーズ間のミスマッチを解決するための「グローバルな表現とアライメント」パラダイムを新たに提示する。
次に、より優れた従属性を求めるために、 \underline{Gl}obal representationと \underline{o}ptimal transport-\underline{b}ased \underline{Align}ment (\texttt{GlobAlign})を提案し、その変種である \texttt{GlobAlign-E} を提案する。
提案手法は,グローバルアテンション機構と階層的なクロスグラフ転送コストを備え,局所グラフ構造を超えて,長距離および暗黙のノード依存性をキャプチャすることができる。
さらに、 \texttt{GlobAlign-E} は、代表埋め込みとOTベースの方法の間の時間複雑性のギャップを埋めることに成功し、OTの3次複雑性を2次項に減らした。
実験により,提案手法は優れた性能を示し,最大20倍の精度向上を実現した。
一方、 \texttt{GlobAlign-E} は、既存のOTベースの手法と比較して、桁違いのスピードアップで最高の効率を達成する。
関連論文リスト
- CoRe-GNN: Multilevel Message passing on Coarsened graphs [13.325673513204377]
グラフニューラルネットワークを大きなグラフでトレーニングすることは、層間のノード表現のメモリコストに悩まされる。
既存の拡張性のあるアプローチを,GNN伝搬行列の構造化された修正として記述できることを示す。
特にグラフの粗化は、スペクトル保証を可能にするが、ノードに一様表現を割り当てるローランク近似によって置き換える。
論文 参考訳（メタデータ） (2026-08-03T12:18:58Z) - Towards Pre-trained Graph Condensation via Optimal Transport [52.6504753271008]
グラフ凝縮は、元のグラフを小さなグラフに蒸留し、冗長性を緩和し、GNNトレーニングを加速することを目的としている。
従来のGCアプローチは、厳格なGNNとタスク固有の監督に大きく依存している。
タスク依存GC法とアーキテクチャ依存GC法の限界を超越するために, 最適輸送による事前学習グラフ凝縮(PreGC)を提案する。
論文 参考訳（メタデータ） (2025-09-18T08:13:24Z) - LOBSTUR: A Local Bootstrap Framework for Tuning Unsupervised Representations in Graph Neural Networks [0.9208007322096533]
グラフニューラルネットワーク(GNN)は、教師なし学習技術と組み合わせて強力なノード表現を学習するために、ますます利用されている。
教師なしグラフ表現学習におけるブートストラップ手法の適用を目的とした新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2025-05-20T19:59:35Z) - Pave Your Own Path: Graph Gradual Domain Adaptation on Fused Gromov-Wasserstein Geodesics [59.07903030446756]
グラフニューラルネットワークは、グラフ上の分散シフトに対して非常に脆弱である。
非IIDグラフデータのための最初のフレームワークであるGadgetを提示する。
ガジェットは既存のグラフDAメソッドとシームレスに統合して、グラフ上の大きなシフトを処理することができる。
論文 参考訳（メタデータ） (2025-05-19T05:03:58Z) - Joint Optimal Transport and Embedding for Network Alignment [66.49765320358361]
本稿では,JOENA というネットワークアライメントのための統合最適トランスポートおよび埋め込みフレームワークを提案する。
統一された目的により、両手法の相互利益は、コンバージェンスを保証する最適化スキーマの交互化によって達成できる。
実世界のネットワークの実験はJOENAの有効性とスケーラビリティを検証し、最大16%の改善と20倍の高速化を実現した。
論文 参考訳（メタデータ） (2025-02-26T17:28:08Z) - Decentralized Federated Learning with Gradient Tracking over Time-Varying Directed Networks [42.92231921732718]
本稿では,DSGTm-TVというコンセンサスに基づくアルゴリズムを提案する。
グラデーショントラッキングとヘビーボールモーメントを取り入れて、グローバルな目的関数を最適化する。
DSGTm-TVでは、エージェントは近隣エージェントとの情報交換を用いて局所モデルパラメータと勾配推定を更新する。
論文 参考訳（メタデータ） (2024-09-25T06:23:16Z) - Efficient and Scalable Graph Generation through Iterative Local Expansion [26.843529744867222]
本稿では,1ノードを対象グラフに段階的に拡張することで,グラフを生成する手法を提案する。
各ステップにおいて、ノードとエッジは拡散を減らし、まずグローバル構造を構築し、次に局所的な詳細を精査することで局所的に追加される。
提案モデルは,5,000ノード以上のグラフへのスケーリングを成功裏に,確立されたベンチマークデータセット上での最先端性能を実現する。
論文 参考訳（メタデータ） (2023-12-14T10:42:42Z) - T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。
実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
論文 参考訳（メタデータ） (2023-10-05T02:58:29Z) - Robust Attributed Graph Alignment via Joint Structure Learning and
Optimal Transport [26.58964162799207]
本稿では,構造化学習と最適輸送アライメントを併用した教師なしグラフアライメントフレームワークSLOTAlignを提案する。
マルチビュー構造学習を取り入れて、グラフ表現能力を高め、グラフ間で継承された構造と特徴の不整合の影響を低減する。
提案したSLOTAlignは、7つの教師なしグラフアライメント法と5つの特殊なKGアライメント法よりも優れた性能と強いロバスト性を示す。
論文 参考訳（メタデータ） (2023-01-30T08:41:36Z) - 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) - 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) - A Regularized Wasserstein Framework for Graph Kernels [32.558913310384476]
最適輸送の正規化に基づくグラフカーネルの学習フレームワークを提案する。
このフレームワークは、新しい最適輸送距離計量、すなわち正則化ワッサーシュタイン(RW)の不一致を提供する。
我々は12のデータセットを用いて16の最先端のベースラインに対して,我々の手法を実証的に検証した。
論文 参考訳（メタデータ） (2021-10-06T07:54:04Z)
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。