論文の概要: SCGNN: Semantic Consistency enhanced Graph Neural Network Guided by Granular-ball Computing

• arxiv url: http://arxiv.org/abs/2605.02617v1
• Date: Mon, 04 May 2026 14:09:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.32206
• Title: SCGNN: Semantic Consistency enhanced Graph Neural Network Guided by Granular-ball Computing
• Title（参考訳）: SCGNN: グラニュラ・ボール・コンピューティングによるセマンティック一貫性強化グラフニューラルネットワーク
• Authors: Genhao Tian, Taihua Xu, Shuyin Xia, Qinghua Zhang, Jie Yang, Jianjun Chen,
• Abstract要約: ノード間のセマンティック一貫性の獲得は、効果的なグラフ表現学習に不可欠である。 本稿では,新しいプラグイン・アンド・プレイフレームワークであるSemantic Consistency enhanced Graph Neural Network (SCGNN)を提案する。 SCGNNは、ノードをグラニュラーボールに適応的に分割することで、グループレベルの意味構造をモデル化する。
• 参考スコア（独自算出の注目度）: 21.531111082932284
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Capturing semantic consistency among nodes is crucial for effective graph representation learning. Existing approaches typically rely on $k$-nearest neighbors ($k$NN) or other node-level full search algorithms (FSA) to mine semantic relationships via exhaustive pairwise similarity computation, which suffer from high computational complexity and rigid neighbor selection, limiting scalability and introducing noisy connections. In this paper, we propose the Semantic Consistency enhanced Graph Neural Network (SCGNN), a novel plug-and-play framework that leverages granular-ball computing (GBC) to efficiently capture semantic consistency in a scalable manner. Unlike node-level FSA methods, SCGNN models group-level semantic structure by adaptively partitioning nodes into granular balls, significantly reducing computational cost while improving robustness to noise. To effectively utilize the discovered group-level semantic consistency, we design a dual enhancement strategy. Specifically, (1) a structure enhancement module constructs an anchor-based graph structure, where each anchor is a virtual node representing the group-level semantic carried by a granular ball, then injecting group-level semantic information into the graph structure; and (2) a supervision enhancement module performs label consistency checking (LCC) by combining GBC predictions with model-generated pseudo-labels, thereby producing more reliable supervision signals. SCGNN is compatible with various GNN backbones. During the forward propagation of SCGNN, the vanilla graph and the augment graph are jointly encoded, and their predictions are fused; during the backpropagation, the supervision enhancement module provides enhanced supervision signals to guide parameter updates.
• Abstract（参考訳）: ノード間のセマンティック一貫性の獲得は、効果的なグラフ表現学習に不可欠である。 既存のアプローチは、通常$k$-nearest 隣人 ($k$NN) や他のノードレベルの完全探索アルゴリズム (FSA) に頼り、高い計算複雑性と厳密な隣人選択に悩まされ、スケーラビリティを制限し、ノイズの多い接続を導入する。 本稿では,セマンティック・一貫性強化グラフニューラルネットワーク(SCGNN)を提案する。これは,グラニュラーボール・コンピューティング(GBC)を活用して,セマンティック・一貫性をスケーラブルな方法で効率的にキャプチャする,新しいプラグイン・アンド・プレイ・フレームワークである。 ノードレベルのFSA法とは異なり、SCGNNはノードを粒度に適応的に分割することでグループレベルのセマンティック構造をモデル化し、ノイズに対する堅牢性を改善しながら計算コストを大幅に削減した。 グループレベルのセマンティック一貫性を効果的に活用するために、我々は二重強化戦略を設計する。 具体的には、(1)構造強化モジュールは、アンカーベースのグラフ構造を構成し、各アンカーは、グラニュラーボールによって運ばれたグループレベルのセマンティクスを表す仮想ノードであり、次いでグラフ構造にグループレベルのセマンティクス情報を注入し、(2)教師強化モジュールは、GBC予測とモデル生成擬似ラベルを組み合わせることでラベル整合性チェック(LCC)を行い、より信頼性の高い監視信号を生成する。 SCGNNは様々なGNNバックボーンと互換性がある。 SCGNNの転送中、バニラグラフと拡張グラフは共同で符号化され、それらの予測は融合される。

関連論文リスト

• Hierarchical Graph Feature Enhancement with Adaptive Frequency Modulation for Visual Recognition [6.580655899524989]
  畳み込みニューラルネットワーク(CNN)は、視覚認識タスクにおいて強力な性能を示している。 構造認識と特徴表現を両立させるため,CNNにグラフベース推論を統合する新しいフレームワークを提案する。 提案したHGFEモジュールは軽量でエンドツーエンドのトレーニングが可能で、標準のCNNバックボーンネットワークにシームレスに統合できる。
  論文  参考訳（メタデータ） (2025-08-15T14:19:50Z)
• Graph Neural Networks Powered by Encoder Embedding for Improved Node Learning [17.31465642587528]
  グラフニューラルネットワーク(GNN)は、幅広いノードレベルのグラフ学習タスクのための強力なフレームワークとして登場した。 本稿では,1ホットグラフエンコーダ埋め込み (GEE) という統計的手法を用いて,高品質な初期ノード特徴を生成する。 本研究では,教師なし環境と教師なし環境の両方にまたがる広範囲なシミュレーションと実世界の実験を通して,その効果を実証する。
  論文  参考訳（メタデータ） (2025-07-15T21:01:54Z)
• ScaleGNN: Towards Scalable Graph Neural Networks via Adaptive High-order Neighboring Feature Fusion [73.85920403511706]
  スケーラブルで効果的なグラフ学習のためのマルチホップノード機能を適応的に融合する新しいフレームワークであるScaleGNNを提案する。 予測精度と計算効率の両面で,ScaleGNNは最先端のGNNよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2025-04-22T14:05:11Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• Graph Ordering Attention Networks [22.468776559433614]
  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に関わる多くの問題でうまく使われている。 近隣ノード間のインタラクションをキャプチャする新しいGNNコンポーネントであるグラフ順序付け注意層(GOAT)を導入する。 GOATレイヤは、複雑な情報をキャプチャするグラフメトリクスのモデリングにおけるパフォーマンスの向上を示す。
  論文  参考訳（メタデータ） (2022-04-11T18:13:19Z)
• A Variational Edge Partition Model for Supervised Graph Representation Learning [51.30365677476971]
  本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。 それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。 エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T14:37:50Z)
• Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
  グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。 複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。 本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:03:06Z)
• Bilinear Graph Neural Network with Neighbor Interactions [106.80781016591577]
  グラフニューラルネットワーク(GNN)は,グラフデータ上で表現を学習し,予測を行う強力なモデルである。 本稿では,グラフ畳み込み演算子を提案し,隣接するノードの表現の対の相互作用で重み付け和を増大させる。 このフレームワークをBGNN(Bilinear Graph Neural Network)と呼び、隣ノード間の双方向相互作用によるGNN表現能力を向上させる。
  論文  参考訳（メタデータ） (2020-02-10T06:43:38Z)

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。