論文の概要: Cheeger--Hodge Contrastive Learning for Structurally Robust Graph Representation Learning

• arxiv url: http://arxiv.org/abs/2604.26301v1
• Date: Wed, 29 Apr 2026 05:04:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.260726
• Title: Cheeger--Hodge Contrastive Learning for Structurally Robust Graph Representation Learning
• Title（参考訳）: 構造的ロバストグラフ表現学習のためのチーガー-ホッジコントラスト学習
• Authors: Mengyang Zhao, Longlong Li, Cunquan Qu,
• Abstract要約: 頑健なグラフ表現学習のためのCheeger-Hodge Contrastive Learning (CHCL)を提案する。 CHCLは摂動安定型Cheeger-Hodgeジョイントシグネチャを拡張ビューに並べる。 実験の結果、CHCLはパフォーマンス、堅牢性、一般化を一貫して改善している。
• 参考スコア（独自算出の注目度）: 5.040034129069649
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Contrastive Learning (GCL) has emerged as a prominent framework for unsupervised graph representation learning. However, relying on augmentation design alone to define the invariances learned by GCL can be brittle under structural perturbations. To address this issue, we propose Cheeger--Hodge Contrastive Learning (CHCL), a framework that aligns a perturbation-stable Cheeger--Hodge joint signature across augmented views for robust graph representation learning. The proposed signature combines a Cheeger-inspired connectivity signature derived from the algebraic connectivity \(λ_2\) with the low-frequency spectrum of the 1-Hodge Laplacian, thereby capturing both global connectivity and higher-order structural information. By aligning encoder representations with the proposed Cheeger--Hodge joint signature across augmented views, CHCL learns graph embeddings that are robust to local structural perturbations. Extensive experiments on standard benchmarks, transfer settings demonstrate that CHCL consistently improves performance, robustness, and generalization.
• Abstract（参考訳）: グラフコントラスト学習(GCL)は、教師なしグラフ表現学習の顕著なフレームワークとして登場した。 しかし、GCLが学習した不変性を定義するために拡張設計のみに依存することは、構造的摂動の下では不安定である。 この問題に対処するために、頑健なグラフ表現学習のための拡張ビューをまたいだ摂動安定型Cheeger-Hodgeジョイントシグネチャを整列するフレームワークであるCheeger-Hodge Contrastive Learning (CHCL)を提案する。 提案符号は1-ホッジラプラシアンの低周波スペクトルと代数接続 \(λ_2\) から導かれるチェーガーにインスパイアされた接続シグネチャを組み合わせ、大域接続と高次構造情報の両方をキャプチャする。 エンコーダ表現とCheeger-Hodgeジョイントシグネチャを拡張ビューに合わせることで、CHCLは局所的な構造摂動に対して堅牢なグラフ埋め込みを学習する。 標準ベンチマーク、転送設定に関する大規模な実験は、CHCLが一貫して性能、堅牢性、一般化を改善していることを示している。

関連論文リスト

• Str-GCL: Structural Commonsense Driven Graph Contrastive Learning [12.717666156052342]
  グラフコントラスト学習(Str-GCL)における構造コモンセンス・アンベイリング(Structure Commonsense Unveiling)という新しいフレームワークを提案する。 Str-GCLは、一階述語論理規則を利用して構造的コモンセンスを表現し、それらをGCLフレームワークに明示的に統合する。 我々の知る限りでは、構造コモンセンスを直接GCLに組み込む最初の試みである。
  論文  参考訳（メタデータ） (2025-07-09T03:41:48Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• Graph Contrastive Learning for Skeleton-based Action Recognition [85.86820157810213]
  骨格に基づく行動認識のためのグラフコントラスト学習フレームワークを提案する。 SkeletonGCLは、グラフをクラス識別に強制することで、シーケンス間のグラフ学習を関連付ける。 SkeletonGCLは新しいトレーニングパラダイムを確立し、現在のグラフ畳み込みネットワークにシームレスに組み込むことができる。
  論文  参考訳（メタデータ） (2023-01-26T02:09:16Z)
• GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
  Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。 我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。 学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
  論文  参考訳（メタデータ） (2022-12-07T10:19:39Z)
• Knowledge Graph Contrastive Learning Based on Relation-Symmetrical Structure [36.507635518425744]
  関係対称構造に基づく知識グラフコントラスト学習フレームワークKGE-SymCLを提案する。 我々のフレームワークは、KGEモデルの識別能力を高めるために、KGの対称構造情報をマイニングする。
  論文  参考訳（メタデータ） (2022-11-19T16:30:29Z)

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。