論文の概要: Improving Graph Few-shot Learning with Hyperbolic Space and Denoising Diffusion

• arxiv url: http://arxiv.org/abs/2604.27462v1
• Date: Thu, 30 Apr 2026 06:02:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:53.946389
• Title: Improving Graph Few-shot Learning with Hyperbolic Space and Denoising Diffusion
• Title（参考訳）: 双曲空間によるグラフファウショット学習の改善と拡散の抑制
• Abstract要約: グラフの少数ショット学習は、少数のラベル付きノードから効果的に学習して、新しいタスクに迅速に適応することに焦点を当てている。 本稿では,ハイプRbolic spacE と denoiSing diffuSion を用いた graPh 数ショット学習を支援する新しいフレームワーク IMPRESS を提案する。
• 参考スコア（独自算出の注目度）: 29.072947887330585
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Graph few-shot learning, which focuses on effectively learning from only a small number of labeled nodes to quickly adapt to new tasks, has garnered significant research attention. Despite recent advances in graph few-shot learning that have demonstrated promising performance, existing methods still suffer from several key limitations. First, during the meta-training phase, these methods typically perform node representation learning in Euclidean space, which often fails to capture the inherently hierarchical structure existing in real-world graph data. Second, during the meta-testing phase, they usually fit an empirical target distribution derived from only a few support samples, even when this distribution significantly deviates from the true underlying distribution. To address these issues, we propose IMPRESS, a novel framework that IMproves graPh few-shot learning with hypeRbolic spacE and denoiSing diffuSion. Specifically, our model learns node representations in a hyperbolic space and enriches the support distribution through denoising diffusion mechanisms. Theoretically, IMPRESS achieves a tighter generalization bound. Empirically, IMPRESS consistently outperforms competitive baselines across multiple benchmark datasets.
• Abstract（参考訳）: グラフの少数ショット学習は、少数のラベル付きノードから効果的に学習して、新しいタスクに迅速に適応することに焦点を当てており、大きな研究の注目を集めている。 有望なパフォーマンスを示すグラフ数ショット学習の最近の進歩にもかかわらず、既存のメソッドにはいくつかの重要な制限がある。 まず、メタトレーニングフェーズにおいて、これらの手法は通常ユークリッド空間におけるノード表現学習を実行するが、これは実世界のグラフデータに存在する本質的に階層構造を捉えるのに失敗することが多い。 第2に, メタテストの段階では, この分布が真の基盤分布から著しく逸脱した場合でも, 少数の支持試料から得られる経験的目標分布に適合する。 これらの課題に対処するため,Impressを提案する。このフレームワークはgraPhを数発学習し,promiseRbolic spacE と denoiSing diffuSion を併用する。 具体的には,双曲空間におけるノード表現を学習し,拡散機構の分極化による支持分布の充実を図る。 理論的には、IMPRESSはより厳密な一般化境界を達成する。 経験的に、IMPRESSは複数のベンチマークデータセットで競合するベースラインを一貫して上回っている。

関連論文リスト

• Making Training-Free Diffusion Segmentors Scale with the Generative Power [118.72472901404814]
  一連の研究は、事前学習された拡散モデルを、それ以上の訓練をせずに意味的セグメンテーションに適応することに焦点を当てている。 本稿では,自動アグリゲーションと画素単位の再スケーリングという2つの手法を提案する。
  論文  参考訳（メタデータ） (2026-03-06T11:35:37Z)
• DS-Span: Single-Phase Discriminative Subgraph Mining for Efficient Graph Embeddings [0.7340017786387767]
  DS-Spanは単相識別サブグラフマイニングフレームワークである。 これは、パターン成長、プルーニング、および監視駆動のスコアを検索空間の1つに統合する。 従来の多段法よりもコンパクトで差別的な部分グラフ特徴を生成する。
  論文  参考訳（メタデータ） (2025-11-21T17:17:51Z)
• Graph Few-Shot Learning via Adaptive Spectrum Experts and Cross-Set Distribution Calibration [28.335765586298347]
  グラフによる数ショット学習は、ラベル付きノードに制限のある新しいタスクにモデルを迅速に適応できる能力によって、注目を集めている。 本稿では,アダプティブスペクトルの専門家とクロスセット分布キャリブレーション技術を統合した新しいグラフ数ショット LeRning フレームワーク GRACE を提案する。
  論文  参考訳（メタデータ） (2025-10-14T04:39:03Z)
• Beyond Message Passing: Neural Graph Pattern Machine [50.78679002846741]
  本稿では,グラフサブストラクチャから直接学習することで,メッセージパッシングをバイパスする新しいフレームワークであるNeural Graph Pattern Machine(GPM)を紹介する。 GPMはタスク関連グラフパターンを効率的に抽出し、エンコードし、優先順位付けする。
  論文  参考訳（メタデータ） (2025-01-30T20:37:47Z)
• DIVE: Subgraph Disagreement for Graph Out-of-Distribution Generalization [44.291382840373]
  本稿では,グラフ機械学習におけるアウト・オブ・ディストリビューションの一般化の課題に対処する。 従来のグラフ学習アルゴリズムは、この仮定が失敗する現実世界のシナリオで失敗する。 この準最適性能に寄与する主な要因は、ニューラルネットワークの本質的な単純さバイアスである。
  論文  参考訳（メタデータ） (2024-08-08T12:08:55Z)
• Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
  グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。 FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。 ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2023-12-19T18:00:15Z)
• Combating Representation Learning Disparity with Geometric Harmonization [50.29859682439571]
  本稿では,表現学習におけるカテゴリレベルの均一性を促進するために,新しい幾何調和法を提案する。 我々の提案はSSLの設定を変更せず、低コストで既存のメソッドに容易に統合できる。
  論文  参考訳（メタデータ） (2023-10-26T17:41:11Z)
• 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)
• A Simple Yet Effective Pretraining Strategy for Graph Few-shot Learning [38.66690010054665]
  本稿では,グラフ数ショット学習のための新しいパラダイムとして,シンプルなトランスダクティブな微調整型フレームワークを提案する。 事前学習のために,数発のノード分類に特有なデータ拡張戦略を持つ教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-29T22:30:00Z)
• Meta Propagation Networks for Graph Few-shot Semi-supervised Learning [39.96930762034581]
  本稿では,この問題を解決するために,メタ学習アルゴリズムを用いた新しいネットワークアーキテクチャを提案する。 基本的に,我々のMeta-PNフレームワークは,メタ学習ラベルの伝搬戦略を用いて,未ラベルノード上の高品質な擬似ラベルを推論する。 我々のアプローチは、様々なベンチマークデータセットの既存の技術と比較して、容易で実質的なパフォーマンス向上を提供する。
  論文  参考訳（メタデータ） (2021-12-18T00:11:56Z)
• Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
  2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。 まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。 第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
  論文  参考訳（メタデータ） (2021-01-20T11:48:12Z)
• Prior Guided Feature Enrichment Network for Few-Shot Segmentation [64.91560451900125]
  最先端のセマンティックセグメンテーション手法は、良い結果を得るために十分なラベル付きデータを必要とする。 少数のラベル付きサポートサンプルを持つ新しいクラスに迅速に適応するモデルを学習することで,この問題に対処するためのショットセグメンテーションが提案されている。 これらのフレームワークは、高レベルのセマンティック情報の不適切な使用により、目に見えないクラスにおける一般化能力の低下という課題に直面している。
  論文  参考訳（メタデータ） (2020-08-04T10:41:32Z)

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。