論文の概要: Adaptive Negative Scheduling for Graph Contrastive Learning

• arxiv url: http://arxiv.org/abs/2605.03076v1
• Date: Mon, 04 May 2026 18:45:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.609115
• Title: Adaptive Negative Scheduling for Graph Contrastive Learning
• Title（参考訳）: グラフコントラスト学習のための適応的負のスケジューリング
• Authors: Adnan Ali, Jinlong Li, Syed Muhammad Israr, Ali Kashif Bashir,
• Abstract要約: 本稿では、ハードネス対応スケジューラ(HANS)を用いた適応型負スケジューリングフレームワークAdNGCLを提案する。 AdNGCLは、硬質、中性、容易な層にまたがる損失に制限された、予算に制約のあるプロセスとして、負の選択を定式化する。 9つのベンチマークグラフデータセットの実験は、AdNGCLが常に最先端のパフォーマンスを向上していることを示している。
• 参考スコア（独自算出の注目度）: 15.633364088079318
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph contrastive learning (GCL) has become a central paradigm for self-supervised representation learning in computational intelligence, with applications spanning recommendation, anomaly detection, and personalization. A key limitation of existing methods is their reliance on static negative sampling, which fails to account for the dynamic informativeness and computational cost of negatives during training. We propose AdNGCL, an adaptive negative scheduling framework with a hardness-aware scheduler (HANS) that formulates negative selection as a loss-gated, budget-constrained process across hard, intermediate, and easy strata. The scheduler dynamically adjusts step sizes based on contrastive loss trends under both global and per-category budgets, while periodically refreshing samples to maintain diversity without exceeding compute constraints. Experiments on nine benchmark graph datasets demonstrate that AdNGCL consistently advances state-of-the-art performance, achieving the best accuracy on seven datasets and second-best on the remaining two, while offering explicit control over computational cost. These results highlight the value of budget-aware, loss-sensitive scheduling as a general strategy for improving the robustness and efficiency of representation learning in emerging computational intelligence applications.
• Abstract（参考訳）: グラフコントラスト学習(GCL)は、コンピュータインテリジェンスにおける自己教師型表現学習の中心パラダイムとなり、推奨、異常検出、パーソナライゼーションにまたがる応用となっている。 既存の手法の鍵となる制限は、静的な負サンプリングに依存することであるが、これは訓練中の負の動的情報性や計算コストを考慮できない。 本稿では, 適応型適応型負スケジューリングフレームワークAdNGCLを提案する。 スケジューラは、グローバルおよびカテゴリごとの予算において、対照的な損失傾向に基づいて、ステップサイズを動的に調整し、計算制約を超えることなく、定期的にサンプルをリフレッシュして多様性を維持する。 9つのベンチマークグラフデータセットの実験では、AdNGCLが一貫して最先端のパフォーマンスを向上し、7つのデータセットで最高の精度を達成し、残りの2つで2番目に高い精度を達成し、計算コストを明示的に制御できることが示されている。 これらの結果は、新しいコンピュータ知能アプリケーションにおける表現学習の堅牢性と効率性を改善するための一般的な戦略として、予算意識、損失感受性スケジューリングの価値を強調している。

関連論文リスト

• Mitigating Forgetting in Continual Learning with Selective Gradient Projection [2.7158526904045046]
  Selective Forgetting-Aware Optimization (SFAO) はコサイン類似性や層ごとのゲーティングによって勾配方向を制御する動的手法である。 SFAOは、効率的なモンテカルロ近似を備えた調整可能なメカニズムを使用して、更新を選択的にプロジェクション、受け入れ、破棄する。 標準連続学習ベンチマークの実験では、SFAOはメモリコストを著しく低減し、90$%の削減を実現し、MNISTデータセットの忘れ込みを改善した。
  論文  参考訳（メタデータ） (2026-02-08T10:24:35Z)
• Not All Preferences Are Created Equal: Stability-Aware and Gradient-Efficient Alignment for Reasoning Models [52.48582333951919]
  ポリシー更新の信号対雑音比を最大化することにより、アライメントの信頼性を高めるために設計された動的フレームワークを提案する。 SAGE(Stability-Aware Gradient Efficiency)は、モデル能力に基づいて候補プールをリフレッシュする粗いきめ細かいカリキュラムメカニズムを統合する。 複数の数学的推論ベンチマークの実験により、SAGEは収束を著しく加速し、静的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） (2026-02-01T12:56:10Z)
• Enhancing Cluster Scheduling in HPC: A Continuous Transfer Learning for Real-Time Optimization [0.42970700836450487]
  本研究では,ノード親和性制約に着目し,クラスタシステムのタスクスケジューリングを最適化するための機械学習支援手法を提案する。 提案した連続移動学習モデルは、運用中に動的に進化し、再学習の必要性を最小限に抑える。 Google Cluster Dataに基づいて評価されたこのモデルは、99%以上の精度を実現し、計算オーバーヘッドを低減し、制約されたタスクのスケジューリング遅延を改善する。
  論文  参考訳（メタデータ） (2025-09-22T12:27:20Z)
• Erase then Rectify: A Training-Free Parameter Editing Approach for Cost-Effective Graph Unlearning [17.85404473268992]
  グラフアンラーニングは、訓練されたグラフニューラルネットワーク(GNN)からノード、エッジ、属性の影響を排除することを目的としている。 既存のグラフアンラーニング技術は、しばしば残りのデータに対する追加のトレーニングを必要とし、かなりの計算コストをもたらす。 本稿では,2段階の学習自由アプローチであるETR(Erase then Rectify)を提案する。
  論文  参考訳（メタデータ） (2024-09-25T07:20:59Z)
• Switchable Decision: Dynamic Neural Generation Networks [98.61113699324429]
  本稿では,各データインスタンスのリソースを動的に割り当てることで,推論を高速化するスイッチブルな決定を提案する。 提案手法は, 同一の精度を維持しながら, 推論時のコスト低減に有効である。
  論文  参考訳（メタデータ） (2024-05-07T17:44:54Z)
• Overcoming Pitfalls in Graph Contrastive Learning Evaluation: Toward Comprehensive Benchmarks [60.82579717007963]
  本稿では,グラフコントラスト学習(GCL)手法の有効性,一貫性,全体的な能力をより正確に評価するために,拡張された評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-24T01:47:56Z)
• PREM: A Simple Yet Effective Approach for Node-Level Graph Anomaly Detection [65.24854366973794]
  ノードレベルのグラフ異常検出(GAD)は、医学、ソーシャルネットワーク、eコマースなどの分野におけるグラフ構造化データから異常ノードを特定する上で重要な役割を果たす。 本稿では,GADの効率を向上させるために,PREM (preprocessing and Matching) という簡単な手法を提案する。 我々のアプローチは、強力な異常検出機能を維持しながら、GADを合理化し、時間とメモリ消費を削減します。
  論文  参考訳（メタデータ） (2023-10-18T02:59:57Z)
• Actively Learning Reinforcement Learning: A Stochastic Optimal Control Approach [3.453622106101339]
  本研究では,2つの相互に結びついた目的を達成するための枠組みを提案する。 (i) 積極的な探索と意図的な情報収集を伴う強化学習と, (ii) 最適制御法の計算的難易度を克服する枠組みである。 我々は、強化学習を用いて最適制御則を計算することにより、両方の目的にアプローチする。 一定の探索と搾取バランスとは異なり、学習プロセスが終了しても、警告と探索はリアルタイムでコントローラによって自動的に行われる。
  論文  参考訳（メタデータ） (2023-09-18T18:05:35Z)

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。