論文の概要: Causality-Driven Disentangled Representation Learning in Multiplex Graphs

• arxiv url: http://arxiv.org/abs/2603.24105v1
• Date: Wed, 25 Mar 2026 09:10:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.219807
• Title: Causality-Driven Disentangled Representation Learning in Multiplex Graphs
• Title（参考訳）: 多重グラフにおける因果性駆動型遠方性表現学習
• Authors: Saba Nasiri, Selin Aviyente, Dorina Thanou,
• Abstract要約: 本稿では,共通および私的コンポーネントを自己管理的に切り離す因果推論に基づくフレームワークを提案する。 合成および実世界のデータセットの実験は、既存のベースラインよりも一貫した改善を示している。
• 参考スコア（独自算出の注目度）: 13.627536649679575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning representations from multiplex graphs, i.e., multi-layer networks where nodes interact through multiple relation types, is challenging due to the entanglement of shared (common) and layer-specific (private) information, which limits generalization and interpretability. In this work, we introduce a causal inference-based framework that disentangles common and private components in a self-supervised manner. CaDeM jointly (i) aligns shared embeddings across layers, (ii) enforces private embeddings to capture layer-specific signals, and (iii) applies backdoor adjustment to ensure that the common embeddings capture only global information while being separated from the private representations. Experiments on synthetic and real-world datasets demonstrate consistent improvements over existing baselines, highlighting the effectiveness of our approach for robust and interpretable multiplex graph representation learning.
• Abstract（参考訳）: 複数の関係型を介してノードが相互作用する多層ネットワークである多重グラフからの表現の学習は、一般化と解釈性を制限する共有(共通)情報と層固有の(プライベート)情報の絡み合いにより困難である。 本研究では,共通コンポーネントとプライベートコンポーネントを自己管理的に分離する因果推論に基づくフレームワークを提案する。 CaDeM共用体 (i)レイヤ間の共有埋め込みを整列する。 (ii)レイヤ固有の信号をキャプチャするためにプライベートな埋め込みを強制し、 三 共通埋め込みが私的表現から切り離されたまま、グローバル情報のみを捕捉することを保証するため、バックドア調整を適用すること。 合成および実世界のデータセットの実験は、既存のベースラインよりも一貫した改善を示し、ロバストかつ解釈可能な多重グラフ表現学習に対する我々のアプローチの有効性を強調した。

関連論文リスト

• OWLEYE: Zero-Shot Learner for Cross-Domain Graph Data Anomaly Detection [48.77471686671269]
  OWLEYEは、複数のグラフから正常な振る舞いの伝達可能なパターンを学習する新しいフレームワークである。 OWLEYEは最先端のベースラインに比べて性能と一般化性が優れていることを示す。
  論文  参考訳（メタデータ） (2026-01-27T02:08:18Z)
• Transformers Provably Learn Directed Acyclic Graphs via Kernel-Guided Mutual Information [91.66597637613263]
  注意機構を活用するトランスフォーマーベースのモデルは、グラフ内の複雑な依存関係をキャプチャする上で、強い経験的成功を示している。 本稿では,カーネル誘導相互情報(KG-MI)を$f$-divergenceに基づく新しい情報理論指標を提案する。 我々は、K$親和性DAGによって生成された任意のシーケンスが、勾配上昇による単層マルチヘッドトランスを訓練し、大域的最適時間に収束することを証明した。
  論文  参考訳（メタデータ） (2025-10-29T14:07:12Z)
• Dual Consistent Constraint via Disentangled Consistency and Complementarity for Multi-view Clustering [5.52726833446215]
  マルチビュークラスタリングは、複数のビューから共通のセマンティクスを探索することができる。 現在の手法は、各ビューの相補性の貢献を無視して、表現における一貫性の学習に焦点を当てている。 本稿では,複数ビューを共有情報とプライベート情報に分離する新しいマルチビュークラスタリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-07T02:00:16Z)
• Independent Distribution Regularization for Private Graph Embedding [55.24441467292359]
  グラフ埋め込みは属性推論攻撃の影響を受けやすいため、攻撃者は学習したグラフ埋め込みからプライベートノード属性を推測することができる。 これらの懸念に対処するため、プライバシ保護グラフ埋め込み手法が登場した。 独立分散ペナルティを正規化項として支援し, PVGAE(Private Variational Graph AutoEncoders)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-16T13:32:43Z)
• Learning Representations without Compositional Assumptions [79.12273403390311]
  本稿では,特徴集合をグラフノードとして表現し,それらの関係を学習可能なエッジとして表現することで,特徴集合の依存関係を学習するデータ駆動型アプローチを提案する。 また,複数のビューから情報を動的に集約するために,より小さな潜在グラフを学習する新しい階層グラフオートエンコーダLEGATOを導入する。
  論文  参考訳（メタデータ） (2023-05-31T10:36:10Z)
• Multimodal hierarchical Variational AutoEncoders with Factor Analysis latent space [45.418113011182186]
  本研究では,変分オートエンコーダ(VAE)と因子解析潜時空間(FA-VAE)を組み合わせることで,制約に対処する新しい手法を提案する。 FA-VAE法は複数のVAEを用いて連続潜伏空間における各異種データビューのプライベート表現を学習する。
  論文  参考訳（メタデータ） (2022-07-19T10:46:02Z)
• 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)
• End-to-End Entity Classification on Multimodal Knowledge Graphs [0.0]
  本稿では,グラフ構造からエンドツーエンドを学習するマルチモーダルメッセージパッシングネットワークを提案する。 我々のモデルは、専用(神経)エンコーダを使用して、5種類のモードに属するノードの特徴の埋め込みを自然に学習する。 私たちの結果は、複数のモダリティからの情報を含めることで、モデル全体のパフォーマンスが向上する、という私たちの仮説を支持します。
  論文  参考訳（メタデータ） (2020-03-25T14:57:52Z)

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。