論文の概要: Graph self-supervised learning based on frequency corruption

• arxiv url: http://arxiv.org/abs/2604.15699v1
• Date: Fri, 17 Apr 2026 04:58:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.739932
• Title: Graph self-supervised learning based on frequency corruption
• Title（参考訳）: 周波数劣化に基づくグラフ自己教師型学習
• Authors: Haojie Li, Mengjiao Zhang, Guanfeng Liu, Qiang Hu, Yan Wang, Junwei Du,
• Abstract要約: グラフの自己教師型学習は、ラベル付きグラフデータの必要性を減らし、リコメンデーションやソーシャルネットワーク、その他のWebアプリケーションで広く使われている。 本稿では,その低周波寄与度に応じてノードやエッジを破損させることにより,高周波情報に偏りのあるグラフを構築する手法として,周波数同期型グラフ自己教師付き学習(FC-GSSL)を提案する。
• 参考スコア（独自算出の注目度）: 30.503772906862114
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Graph self-supervised learning can reduce the need for labeled graph data and has been widely used in recommendation, social networks, and other web applications. However, existing methods often underuse high-frequency signals and may overfit to specific local patterns, which limits representation quality and generalization. We propose Frequency-Corrupt Based Graph Self-Supervised Learning (FC-GSSL), a method that builds corrupted graphs biased toward high-frequency information by corrupting nodes and edges according to their low-frequency contributions. These corrupted graphs are used as inputs to an autoencoder, while low-frequency and general features are reconstructed as supervision targets, forcing the model to fuse information from multiple frequency bands. We further design multiple sampling strategies and generate diverse corrupted graphs from the intersections and unions of the sampling results. By aligning node representations from these views, the model can discover useful frequency combinations, reduce reliance on specific high-frequency components, and improve robustness. Experiments on 14 datasets across node classification, graph prediction, and transfer learning show that FC-GSSL consistently improves performance and generalization.
• Abstract（参考訳）: グラフ自己教師型学習は、ラベル付きグラフデータの必要性を減らし、リコメンデーションやソーシャルネットワーク、その他のWebアプリケーションで広く使われている。 しかし、既存の手法は、しばしば高周波信号を過小評価し、表現品質と一般化を制限する特定の局所パターンに過度に適合する可能性がある。 本稿では,その低周波寄与度に応じてノードやエッジを破損させることにより,高周波情報に偏りのあるグラフを構築する手法として,周波数同期型グラフ自己教師付き学習(FC-GSSL)を提案する。 これらの破損したグラフはオートエンコーダへの入力として使用され、低周波および一般的な特徴は監督対象として再構成され、複数の周波数帯域からの情報を融合せざるを得ない。 我々はさらに、複数のサンプリング戦略を設計し、サンプリング結果の交叉と結合から多種多様な汚いグラフを生成する。 これらのビューからノード表現を整列させることで、モデルは有用な周波数の組み合わせを発見し、特定の高周波コンポーネントへの依存を減らし、堅牢性を向上させることができる。 ノード分類、グラフ予測、転送学習を含む14のデータセットの実験は、FC-GSSLが一貫して性能と一般化を改善することを示している。

関連論文リスト

• Task-driven Heterophilic Graph Structure Learning [30.767828037086844]
  グラフニューラルネットワーク(GNN)は、異種グラフの識別ノード表現を学習するのにしばしば苦労する。 本稿では,エンドツーエンドのグラフ推論フレームワークであるFgGSLを提案する。
  論文  参考訳（メタデータ） (2025-12-29T11:59:16Z)
• How Do Graph Signals Affect Recommendation: Unveiling the Mystery of Low and High-Frequency Graph Signals [24.943803382279203]
  スペクトルグラフニューラルネットワーク(GNN)は、グラフ信号のモデリングに非常に有効である。 近年の研究では高周波信号の重要性が強調されている。 本稿では,グラフ信号がレコメンデーション性能に与える影響について検討する。
  論文  参考訳（メタデータ） (2025-12-10T06:57:48Z)
• DeNoise: Learning Robust Graph Representations for Unsupervised Graph-Level Anomaly Detection [10.668211481464722]
  教師なしグラフレベルの異常検出(UGAD)が重要な課題となっている。 ほとんどのグラフニューラルネットワーク(GNN)アプローチは、トレーニングセットがクリーンであると暗黙的に仮定している。 汚染されたトレーニングデータ用に明示的に設計された堅牢なUGADフレームワークであるDeNoiseを提案する。
  論文  参考訳（メタデータ） (2025-11-06T05:51:35Z)
• Graph Signal Generative Diffusion Models [74.75869068073577]
  拡散過程を用いたグラフ信号生成のためのU字型エンコーダ-デコーダグラフニューラルネットワーク(U-GNN)を提案する。 アーキテクチャは、エンコーダとデコーダパス間の接続をスキップすることで、異なる解像度でノード機能を学ぶ。 株価の確率予測における拡散モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2025-09-21T21:57:27Z)
• Graph Fourier Transformer with Structure-Frequency Information [2.7852431537059426]
  本稿では、GTと周波数構造情報を含む帰納バイアスを革新的に組み合わせたGrafourierformerを提案する。 様々なベンチマーク実験により、グラフ分類やノード分類タスクにおいて、GrafourierformerはGNNやGTベースのモデルよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2025-04-28T12:38:02Z)
• FedRGL: Robust Federated Graph Learning for Label Noise [5.296582539751589]
  Federated Graph Learning(FGL)は、グラフニューラルネットワークに基づく分散機械学習パラダイムである。 本稿では,FedRGLと呼ばれるラベルノイズを用いた頑健なグラフ学習手法を提案する。 FedRGLは、様々なノイズ率、タイプ、クライアント数で12のベースライン手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-28T04:37:04Z)
• 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)
• Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph Wavelets [81.63035727821145]
  スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。 本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-03T17:57:53Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• An Introduction to Robust Graph Convolutional Networks [71.68610791161355]
  本論文では, 誤りのある単一ビューあるいは複数ビューのデータに対して, 新たなロバストグラフ畳み込みニューラルネットワークを提案する。 従来のグラフ畳み込みネットワークにAutoencodersを介して余分なレイヤを組み込むことで、典型的なエラーモデルを明示的に特徴付けおよび処理します。
  論文  参考訳（メタデータ） (2021-03-27T04:47:59Z)
• Contrastive and Generative Graph Convolutional Networks for Graph-based Semi-Supervised Learning [64.98816284854067]
  グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。 本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-15T13:59:28Z)

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。