論文の概要: GCCM: Enhancing Generative Graph Prediction via Contrastive Consistency Model

• arxiv url: http://arxiv.org/abs/2605.05689v1
• Date: Thu, 07 May 2026 05:29:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.531904
• Title: GCCM: Enhancing Generative Graph Prediction via Contrastive Consistency Model
• Title（参考訳）: GCCM: コントラスト一貫性モデルによる生成グラフ予測の強化
• Authors: Shaozhen Ma, Wei Huang, Hanchen Wang, Dong Wen, Wenjie Zhang,
• Abstract要約: 入力グラフが与えられた条件分布としてターゲットをモデル化することにより,条件生成モデルをグラフ予測に適用した。 本稿では,異なる雑音レベルにおける同一ターゲット間のペアワイズマッチングを超越したグラフコントラスト整合モデルGCCMを提案する。 我々はGCCMがショートカット解を緩和し、決定論的予測器と比較して、グラフ予測における一貫した性能改善をもたらすことを示す。
• 参考スコア（独自算出の注目度）: 10.481950161450948
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conditional generative models, particularly diffusion-based methods, have recently been applied to graph prediction by modeling the target as a conditional distribution given the input graph, yielding competitive results compared to deterministic predictor. However, existing diffusion-based prediction methods typically require expensive iterative denoising at inference and often suffer from unstable sampling, which motivates recent efforts to reduce inference denoising steps and enable stable sampling via techniques such as consistency training. Despite this progress, we find that existing consistency training methods for graph prediction could potentially fall into a shortcut solution: the model may attempt to satisfy the self-consistency constraint by ignoring the noisy target (i.e., assigning it negligible weight), ultimately collapsing into a purely deterministic predictor. To mitigate such shortcut solution, we propose GCCM, a graph contrastive consistency model that goes beyond isolated pairwise matching between the same target at different noise levels by introducing negative pairs into a contrastive consistency objective. This adds an additional separation requirement, making the shortcut solution no longer trivially sufficient to satisfy the proposed objective. Moreover, we apply feature perturbation to the input node/edge features to break identical conditioning on the input graph, so that the shortcut no longer yields the same predictions across noise levels and becomes less attractive. Extensive experiments on benchmark datasets demonstrate that GCCM mitigates the shortcut solution and yields consistent performance improvements in graph prediction compared to deterministic predictors.
• Abstract（参考訳）: 条件生成モデル、特に拡散法は、最近、入力グラフが与えられた条件分布として対象をモデル化してグラフ予測に適用され、決定論的予測よりも競合的な結果が得られる。 しかし、既存の拡散に基づく予測手法では、推論において高価な反復的偏執が必要であり、しばしば不安定なサンプリングに悩まされるため、推論の偏執を減らし、一貫性トレーニングなどの手法による安定したサンプリングを可能にする最近の取り組みを動機付けている。 この進歩にもかかわらず、グラフ予測のための既存の一貫性トレーニング手法は、ショートカットの解に陥る可能性がある。このモデルは、ノイズ目標(すなわち、無視可能な重みを割り当てること)を無視して自己整合性制約を満たそうと試み、最終的に純粋に決定論的予測子に崩壊する。 このようなショートカット解を緩和するために,異なる雑音レベルにおける同一ターゲット間のペアワイズマッチングを超越したグラフコントラスト整合モデルGCCMを提案する。 これにより、追加の分離要件が追加され、提案された目的を満たすのに、ショートカットソリューションはもはや自明に不十分になる。 さらに、入力ノード/エッジの特徴に特徴摂動を適用して、入力グラフ上の同じ条件を破る。 ベンチマークデータセットの大規模な実験により、GCCMはショートカットソリューションを緩和し、決定論的予測器と比較して、グラフ予測において一貫した性能改善をもたらすことが示された。

関連論文リスト

• Unrestrained Simplex Denoising for Discrete Data. A Non-Markovian Approach Applied to Graph Generation [50.328122325596865]
  本稿では,確率的単純度をベースとした,シンプルで効果的な生成フレームワークであるSimplex Denoisingを紹介する。 与えられたクリーンなデータポイントに対して、異なるタイミングでのノイズ表現は条件独立である。 経験的に、訓練された単純な騒音は、強い離散拡散とフローマッチングベースラインを超越する。
  論文  参考訳（メタデータ） (2026-03-30T15:26:56Z)
• Uncertainty-Aware Graph Self-Training with Expectation-Maximization Regularization [2.743479615751918]
  半教師付きノード分類のためのグラフ自己学習手法を提案する。 本手法は,擬似ラベル生成とモデル再学習における不確実性機構を組み込んだものである。 我々のフレームワークは、ノイズの多いグラフ構造や特徴空間をより効率的に扱うように設計されています。
  論文  参考訳（メタデータ） (2025-03-26T21:52:21Z)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• Asymmetric Graph Error Control with Low Complexity in Causal Bandits [21.812120023339876]
  因果トポロジーも介入の分布も不明である。 新しい不確実性境界は、報酬を最適化するために高信頼な境界ベースの介入選択を駆動する。 提案手法は,100以上のランダムに生成した因果包帯を用いて,因果構造の学習に要するサンプルを著しく少なくする。
  論文  参考訳（メタデータ） (2024-08-20T23:37:08Z)
• Fine-grained Forecasting Models Via Gaussian Process Blurring Effect [6.472434306724611]
  時系列予測は、複雑な時間的依存関係と動的な時間的依存関係が存在するため、困難なタスクである。 より多くのトレーニングデータを使用することで精度が向上するが、このソースは制限されることが多い。 我々は、エンドツーエンドの予測・デノゲーションパラダイムを提唱し、画像生成のためのDenoisingアプローチを成功させています。
  論文  参考訳（メタデータ） (2023-12-21T20:25:16Z)
• Regularized Vector Quantization for Tokenized Image Synthesis [126.96880843754066]
  画像の離散表現への量子化は、統合生成モデリングにおける根本的な問題である。 決定論的量子化は、厳しいコードブックの崩壊と推論段階の誤調整に悩まされ、一方、量子化は、コードブックの利用率の低下と再構築の目的に悩まされる。 本稿では、2つの視点から正規化を適用することにより、上記の問題を効果的に緩和できる正規化ベクトル量子化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-11T15:20:54Z)
• Improving Adaptive Conformal Prediction Using Self-Supervised Learning [72.2614468437919]
  我々は、既存の予測モデルの上に自己教師付きプレテキストタスクを持つ補助モデルを訓練し、自己教師付きエラーを付加的な特徴として用いて、非整合性スコアを推定する。 合成データと実データの両方を用いて、効率(幅)、欠陥、共形予測間隔の超過といった付加情報の利点を実証的に実証する。
  論文  参考訳（メタデータ） (2023-02-23T18:57:14Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)

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。