論文の概要: Graph Topology Information Enhanced Heterogeneous Graph Representation Learning

• arxiv url: http://arxiv.org/abs/2604.05732v1
• Date: Tue, 07 Apr 2026 11:35:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.787999
• Title: Graph Topology Information Enhanced Heterogeneous Graph Representation Learning
• Title（参考訳）: グラフトポロジ情報による不均一グラフ表現学習
• Authors: He Zhao, Zhiwei Zeng, Yongwei Wang, Chunyan Miao,
• Abstract要約: ヘテロジニアスグラフ表現学習フレームワーク(ToGRL)を提案する。 ToGRLはタスク関連潜在トポロジー情報を組み込むことで、下流タスクの高品質なグラフ構造と表現を学習する。 我々のToGRLは最先端の手法よりも大きなマージンで優れています。
• 参考スコア（独自算出の注目度）: 46.12931110810428
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world heterogeneous graphs are inherently noisy and usually not in the optimal graph structures for downstream tasks, which often adversely affects the performance of GRL models in downstream tasks. Although Graph Structure Learning (GSL) methods have been proposed to learn graph structures and downstream tasks simultaneously, existing methods are predominantly designed for homogeneous graphs, while GSL for heterogeneous graphs remains largely unexplored. Two challenges arise in this context. Firstly, the quality of the input graph structure has a more profound impact on GNN-based heterogeneous GRL models compared to their homogeneous counterparts. Secondly, most existing homogenous GRL models encounter memory consumption issues when applied directly to heterogeneous graphs. In this paper, we propose a novel Graph Topology learning Enhanced Heterogeneous Graph Representation Learning framework (ToGRL).ToGRL learns high-quality graph structures and representations for downstream tasks by incorporating task-relevant latent topology information. Specifically, a novel GSL module is first proposed to extract downstream task-related topology information from a raw graph structure and project it into topology embeddings. These embeddings are utilized to construct a new graph with smooth graph signals. This two-stage approach to GSL separates the optimization of the adjacency matrix from node representation learning to reduce memory consumption. Following this, a representation learning module takes the new graph as input to learn embeddings for downstream tasks. ToGRL also leverages prompt tuning to better utilize the knowledge embedded in learned representations, thus enhancing adaptability to downstream tasks. Extensive experiments on five real-world datasets show that our ToGRL outperforms state-of-the-art methods by a large margin.
• Abstract（参考訳）: 実世界の異種グラフは本質的にノイズが多く、通常下流タスクの最適グラフ構造には含まれないが、下流タスクにおけるGRLモデルの性能に悪影響を及ぼす。 グラフ構造学習(GSL)法はグラフ構造と下流タスクを同時に学習するために提案されているが、既存の手法は主に同質グラフ用に設計されている。 この文脈で2つの課題が生じる。 第一に、入力グラフ構造の品質は、GNNに基づく異種GRLモデルに、同種モデルよりも深い影響を与える。 第二に、既存の同種GRLモデルは、異種グラフに直接適用する場合、メモリ消費問題に遭遇する。 本稿では、新しいグラフトポロジ学習強化ヘテロジニアスグラフ表現学習フレームワーク(ToGRL)を提案する。 ToGRLはタスク関連潜在トポロジー情報を組み込むことで、下流タスクの高品質なグラフ構造と表現を学習する。 具体的には、新しいGSLモジュールが最初に提案され、下流のタスク関連トポロジー情報を生グラフ構造から抽出し、トポロジー埋め込みに投影する。 これらの埋め込みを利用して、滑らかなグラフ信号を持つ新しいグラフを構築する。 GSLに対するこの2段階のアプローチは、隣接行列の最適化とノード表現学習を分離し、メモリ消費を減らす。 これに続いて、表現学習モジュールは、新しいグラフを入力として、下流タスクの埋め込みを学習する。 ToGRLはまた、プロンプトチューニングを活用して、学習された表現に埋め込まれた知識をよりよく活用し、下流タスクへの適応性を向上させる。 5つの実世界のデータセットに対する大規模な実験により、私たちのToGRLは最先端の手法よりも大きなマージンで優れています。

関連論文リスト

• Improving Graph Embeddings in Machine Learning Using Knowledge Completion with Validation in a Case Study on COVID-19 Spread [1.0308647202215706]
  グラフ埋め込み(GE)は、知識グラフ(KG)からベクトル空間にマッピングすることで、ノード分類やリンク予測といったタスクを可能にする。 本稿では,埋め込み前の潜在データセットのセマンティクスを明らかにするために,知識コンプリートフェーズを統合したGMLパイプラインを提案する。 実験により、GMLパイプラインは埋め込み空間の幾何学を著しく変化させ、その導入は単なるエンリッチメントではなく、グラフ表現の質を再定義する変換ステップであることを示した。
  論文  参考訳（メタデータ） (2025-11-15T07:24:00Z)
• GraphTOP: Graph Topology-Oriented Prompting for Graph Neural Networks [66.07512871031163]
  ラベルなしグラフデータよりも強力なグラフニューラルネットワーク(GNN)を事前学習する。 適応段階では、グラフプロンプトは学習可能なプロンプトで入力グラフデータを修正し、事前学習されたGNNモデルを凍結し続ける。 本稿では,事前学習したGNNモデルを下流タスクに効果的に適用するために,最初の**Graph****opology-**O**riented **P**rompting(GraphTOP)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-25T22:50:12Z)
• CLEAR: Cluster-based Prompt Learning on Heterogeneous Graphs [19.956925820094177]
  ヘテロジニアスグラフ上のクラスタベースのプロンプトモデルであるCLEARを提案する。 私たちは、同じトレーニング目標を共有するために、プレテキストと下流のタスクを調整します。 下流タスクの実験により、CLEARの優位性が確認された。
  論文  参考訳（メタデータ） (2025-02-13T03:10:19Z)
• Data-Driven Self-Supervised Graph Representation Learning [0.0]
  自己教師付きグラフ表現学習(英: Self-supervised graph representation learning, SSGRL)は、手動ラベリングの削減や回避に使用される表現学習パラダイムである。 本稿では,グラフに符号化された信号から適切なグラフ拡張を自動的に学習する,新しいデータ駆動型SSGRL手法を提案する。 ノード分類とグラフ特性予測に関する広範な実験を行う。
  論文  参考訳（メタデータ） (2024-12-24T10:04:19Z)
• SPGNN: Recognizing Salient Subgraph Patterns via Enhanced Graph Convolution and Pooling [25.555741218526464]
  グラフニューラルネットワーク(GNN)は、グラフやネットワークのような非ユークリッドデータ上での機械学習の分野に革命をもたらした。 本稿では,ノード表現をインジェクティブに更新する結合型グラフ畳み込み機構を提案する。 また,WL-SortPoolと呼ばれるグラフプーリングモジュールを設計し,重要なサブグラフパターンをディープラーニングで学習する。
  論文  参考訳（メタデータ） (2024-04-21T13:11:59Z)
• Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
  不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。 最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。 我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
  論文  参考訳（メタデータ） (2023-10-23T01:25:44Z)
• 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)
• Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
  本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。 具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
  論文  参考訳（メタデータ） (2022-01-17T11:57:29Z)
• Deep Graph Structure Learning for Robust Representations: A Survey [20.564611153151834]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データの解析に広く利用されている。 GNNモデルの堅牢性を改善するため、グラフ構造学習の中心概念を中心に多くの研究が提案されている。
  論文  参考訳（メタデータ） (2021-03-04T13:49:25Z)

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。