論文の概要: CO-EVOLVE: Bidirectional Co-Evolution of Graph Structure and Semantics for Heterophilous Learning

• arxiv url: http://arxiv.org/abs/2603.19596v1
• Date: Fri, 20 Mar 2026 03:15:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:38.958912
• Title: CO-EVOLVE: Bidirectional Co-Evolution of Graph Structure and Semantics for Heterophilous Learning
• Title（参考訳）: CO-EVOLVE:異種学習のためのグラフ構造と意味論の双方向共進化
• Authors: Jinming Xing, Muhammad Shahzad,
• Abstract要約: CO-EVOLVEは、グラフトポロジとセマンティック埋め込みを動的で相互に強化された潜伏変数として扱う、デュアルビューの共進化フレームワークである。 公開ベンチマークの実験では、CO-EVOLVEは最先端のベースラインを大きく上回っている。
• 参考スコア（独自算出の注目度）: 2.5456314910104836
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The integration of Large Language Models (LLMs) and Graph Neural Networks (GNNs) promises to unify semantic understanding with structural reasoning, yet existing methods typically rely on static, unidirectional pipelines. These approaches suffer from fundamental limitations: (1) Bidirectional Error Propagation, where semantic hallucinations in LLMs or structural noise in GNNs permanently poison the downstream modality without opportunity for recourse; (2) Semantic-Structural Dissonance, particularly in heterophilous settings where textual similarity contradicts topological reality; (3) a Blind Leading the Blind phenomenon, where indiscriminate alignment forces models to mirror each other's mistakes regardless of uncertainty. To address these challenges, we propose CO-EVOLVE, a dual-view co-evolution framework that treats graph topology and semantic embeddings as dynamic, mutually reinforcing latent variables. By employing a Gauss-Seidel alternating optimization strategy, our framework establishes a cyclic feedback loop: the GNN injects structural context as Soft Prompts to guide the LLM, while the LLM constructs favorable Dynamic Semantic Graphs to rewire the GNN. We introduce three key innovations to stabilize this evolution: (1) a Hard-Structure Conflict-Aware Contrastive Loss that warps the semantic manifold to respect high-order topological boundaries; (2) an Adaptive Node Gating Mechanism that dynamically fuses static and learnable structures to recover missing links; (3) an Uncertainty-Gated Consistency strategy that enables meta-cognitive alignment, ensuring models only learn from the confident view. Finally, an Entropy-Aware Adaptive Fusion integrates predictions during inference. Extensive experiments on public benchmarks demonstrate that CO-EVOLVE significantly outperforms state-of-the-art baselines, achieving average improvements of 9.07% in Accuracy and 7.19% in F1-score.
• Abstract（参考訳）: 大規模言語モデル(LLM)とグラフニューラルネットワーク(GNN)の統合は、セマンティック理解を構造的推論と統合することを約束するが、既存のメソッドは通常、静的で一方向のパイプラインに依存している。 これらのアプローチは,(1)LLMにおける意味的幻覚やGNNにおける構造的ノイズが会話の機会なく下流のモダリティを恒久的に害する,(2)意味的・構造的不協和,特にテキスト的類似性がトポロジカルな現実と矛盾する不均一な環境において,(3)ブラインドをリードする,(3)不明瞭なアライメント力によって互いのミスを再現する,ブラインド現象を導く,という,基本的な制限に悩まされる。 これらの課題に対処するために,グラフトポロジとセマンティック埋め込みを動的かつ相互に強化した潜伏変数として扱うデュアルビュー共進化フレームワークであるCO-EVOLVEを提案する。 我々のフレームワークはガウス・シーデル交互最適化戦略を用いて循環フィードバックループを確立し、GNNは構造化コンテキストをSoft Promptsとして注入してLLMを誘導し、LLMは好ましいダイナミックセマンティックグラフを構築してGNNを再構成する。 1)高次トポロジ的境界を尊重するためにセマンティック多様体を歪めるハード・ストラクチャー・コンフリクト・コントラスト・ロス、(2)静的かつ学習可能な構造を動的に融合させて欠落リンクを回復するアダプティブ・ノード・ゲーティング機構、(3)メタ認知的アライメントを可能にする不確実性ゲーテッド・コンシステンシー戦略、そしてモデルが信頼ある視点からのみ学習することを保証するモデル。 最後に、Entropy-Aware Adaptive Fusionは推論中に予測を統合する。 大規模なベンチマーク実験により、CO-EVOLVEは最先端のベースラインを大幅に上回り、平均的な精度は9.07%、F1スコアは7.19%向上した。

関連論文リスト

• AdvSynGNN: Structure-Adaptive Graph Neural Nets via Adversarial Synthesis and Self-Corrective Propagation [8.765438402697892]
  グラフニューラルネットワークは、構造ノイズや非ホモフィル性トポロジーに直面すると、しばしば顕著な性能劣化に遭遇する。 本稿では、耐性のあるノードレベルの表現学習のために設計された包括的アーキテクチャであるAdvSynGNNを提案する。
  論文  参考訳（メタデータ） (2026-02-19T04:26:57Z)
• OmniVL-Guard: Towards Unified Vision-Language Forgery Detection and Grounding via Balanced RL [63.388513841293616]
  既存の偽造検出手法は、現実世界の誤報に多いインターリーブされたテキスト、画像、ビデオを扱うのに失敗する。 このギャップを埋めるため,本論文では,オムニバス・ビジョン言語による偽造検出と接地のための統一フレームワークの開発を目標としている。 我々は、OmniVL-Guardという、オムニバス視覚言語による偽造検出と接地のためのバランスの取れた強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-11T09:41:36Z)
• SPGCL: Simple yet Powerful Graph Contrastive Learning via SVD-Guided Structural Perturbation [10.805916465210993]
  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。
  論文  参考訳（メタデータ） (2026-01-20T12:32:24Z)
• CoG: Controllable Graph Reasoning via Relational Blueprints and Failure-Aware Refinement over Knowledge Graphs [53.199517625701475]
  CoGはDual-Process Theoryにインスパイアされたトレーニング不要のフレームワークで、直観と熟考の相互作用を模倣している。 CoGは精度と効率の両方において最先端のアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2026-01-16T07:27:40Z)
• Improving LLM Reasoning with Homophily-aware Structural and Semantic Text-Attributed Graph Compression [55.51959317490934]
  大規模言語モデル(LLM)は、テキスト分散グラフ(TAG)理解において有望な能力を示している。 グラフは本来、構造情報や意味情報を豊富に含むものであり、それらの有効利用はLLMの推論性能の潜在的な利益を解放する可能性があると論じる。 グラフホモフィリーの活用を目的としたフレームワーク LLMs (HS2C) のホモフィリー対応構造とセマンティック圧縮を提案する。
  論文  参考訳（メタデータ） (2026-01-13T03:35:18Z)
• Learning to Evolve with Convergence Guarantee via Neural Unrolling [37.99564850768798]
  両レベルのメタ最適化フレームワークであるL2E(Learning to Evolve)を導入する。 L2Eは、KM(Krasnosel'skii-Mann)固定点理論に基づくニューラルアンローリング過程として進化探索を再構成する。 実験では、高次元空間におけるL2Eのスケーラビリティと、合成および実世界の制御タスクにまたがる堅牢なゼロショット一般化が示される。
  論文  参考訳（メタデータ） (2025-12-12T10:46:25Z)
• Understanding and Constructing Latent Modality Structures in Multi-modal Representation Learning [53.68371566336254]
  優れたパフォーマンスの鍵は、完全なモダリティアライメントではなく、有意義な潜在モダリティ構造にある、と我々は主張する。 具体的には,1)モダリティ内正規化のための深い特徴分離損失,2)モダリティ間正規化のためのブラウン橋損失,3)モダリティ内正規化およびモダリティ間正規化のための幾何学的整合損失を設計する。
  論文  参考訳（メタデータ） (2023-03-10T14:38:49Z)

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。