論文の概要: Anchor-guided Hypergraph Condensation with Dual-level Discrimination

• arxiv url: http://arxiv.org/abs/2605.10001v1
• Date: Mon, 11 May 2026 05:25:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.543102
• Title: Anchor-guided Hypergraph Condensation with Dual-level Discrimination
• Title（参考訳）: デュアルレベル判別を用いたアンカー誘導ハイパーグラフ凝縮
• Abstract要約: ハイパーグラフ凝縮(HGC)は、大きな実ハイパーグラフをコンパクトで情報的な合成物に蒸留する。 我々はこれらの問題に対処するためにtextbfDual-level textbfDiscrimination (textbfAHGCDD)を提案する。 AHGCDDの有効性と有効性を示す実験を行った。
• 参考スコア（独自算出の注目度）: 15.820286458819007
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increasing prevalence of large-scale hypergraphs poses significant computational challenges for hypergraph neural network (HNN) training. To address this, hypergraph condensation (HGC) distills large real hypergraphs into compact yet informative synthetic ones, beyond graph condensation (GC) methods limited to pairwise relations. However, existing HGC methods rely on decoupled training architectures, where structure generators are pre-trained on the original hypergraph but not jointly optimized with condensed features during refinement, resulting in misaligned structures that degrade downstream utility. Moreover, trajectory-based optimization incurs substantial computational overhead in refinement, limiting condensation efficiency. To tackle these issues, we propose \textbf{A}nchor-guided \textbf{H}yper\textbf{G}raph \textbf{C}ondensation with \textbf{D}ual-level \textbf{D}iscrimination (\textbf{AHGCDD}), which consists of three key components: (1) a node initialization module based on Heat Kernel PageRank (HKPR) to encode structural knowledge into feature semantics; (2) an anchor-guided hyperedge synthesis strategy for joint optimization of condensed features and structure; (3) a theoretically grounded dual-level discrimination objective for utility-preserving condensation without redundant HNN training. Extensive experiments demonstrate the superior effectiveness and efficiency of AHGCDD.
• Abstract（参考訳）: 大規模ハイパーグラフの普及は、ハイパーグラフニューラルネットワーク(HNN)トレーニングにおいて重大な計算上の課題をもたらす。 これを解決するために、ハイパーグラフ凝縮法 (HGC) は、グラフ凝縮法(GC) 以外の、大きな実ハイパーグラフをコンパクトで情報的な合成物に蒸留する。 しかし、既存のHGC手法は分離されたトレーニングアーキテクチャに依存しており、構造生成装置はオリジナルのハイパーグラフで事前訓練されているが、改良中に凝縮した特徴に共同最適化されていないため、下流のユーティリティーを劣化させる不整合構造となる。 さらに、軌道に基づく最適化は、凝縮効率を制限し、精細化においてかなりの計算オーバーヘッドをもたらす。 これらの問題に対処するために、(1)Heat Kernel PageRank(HKPR)に基づくノード初期化モジュールによる特徴意味論への構造的知識のエンコード、(2)凝縮した特徴と構造を共同最適化するためのアンカーガイド付きハイパーエッジ合成戦略、(3)HNNを使わずに実用性保護のための理論的に二段階的目標を定式化すること、の3つの主要なコンポーネントからなる、 \textbf{D}ual-level \textbf{D}ual-level \textbf{D}iscrimination (\textbf{AHGCDD}) を用いた \textbf{A}nchor-guided \textbf{H}yper\textbf{C}ondensationを提案する。 大規模な実験は、AHGCDDの優れた有効性と効率を示す。

関連論文リスト

• Heterogeneous Graph Condensation via Role-Aware Clustering [22.24436628820291]
  HGC-RCは、単純で効果的なロールアウェアなヘテロジニアスグラフ凝縮フレームワークである。 具体的には、HGC-RCはまず、軽量な伝搬を通して意味的に強化されたノード埋め込みを抽出する。 次に、クラス分散を保存するロールアウェアなハイブリッドクラスタリング戦略と、非ターゲットノードに対する教師なし型のクラスタリングを導入している。
  論文  参考訳（メタデータ） (2026-07-03T08:34:11Z)
• An Efficient and Scalable Graph Condensation with Structure-Preserving [22.24436628820291]
  グラフ凝縮(GC)は、リソース制約のあるシナリオにおけるグラフニューラルネットワーク(GNN)のデプロイを可能にするための重要な手段である。 既存のGC手法は、最適化とGNNアーキテクチャ間の一般化が不十分なため、計算不効率に悩まされることが多い。 本研究では,グラフ構造生成からノード凝縮を分離する構造保存(SP-ESGC)を用いた効率的なグラフ凝縮法を提案する。
  論文  参考訳（メタデータ） (2026-05-29T08:49:17Z)
• LG-HCC: Local Geometry-Aware Hierarchical Context Compression for 3D Gaussian Splatting [77.81227097905865]
  アンカーベースの3DGS圧縮スキームは、いくつかの高度な文脈モデルを通してガウスの冗長性を減少させる。 本稿では, アンカープルーニングとエントロピー符号化にアンカー幾何学的相関を組み込んだ3DGSのための局所幾何学的階層型コンテキスト圧縮フレームワークを提案する。 実験の結果、LG-HCCは構造保存の問題を効果的に緩和し、Mip-NeRF360データセット上のScaffold-GSベースラインと比較して最大30.85倍のストレージを削減した。
  論文  参考訳（メタデータ） (2026-03-30T13:39:35Z)
• Hyper-KGGen: A Skill-Driven Knowledge Extractor for High-Quality Knowledge Hypergraph Generation [63.4604143884703]
  Hyper-KGGenは、スキル進化プロセスとして抽出を再構築する、スキル駆動のフレームワークである。 ドメインの専門知識をGlobal Skill Libraryに積極的に蒸留する、テキストタプティブなスキル獲得モジュールが組み込まれている。 文書レベルの知識ハイパーグラフ抽出のための厳密な注釈付きベンチマークである textbfHyperDocRED を提案する。
  論文  参考訳（メタデータ） (2026-02-23T06:32:00Z)
• HGC-Herd: Efficient Heterogeneous Graph Condensation via Representative Node Herding [17.632566656960673]
  ヘテロジニアスグラフニューラルネットワーク(HGNN)は、多型ノード間の複雑なセマンティクスや関係をモデル化する強力な能力を示している。 HGC-Herdは、コンパクトだが情報に富む異種グラフを生成する訓練不要な凝縮フレームワークである。 ACM、DBLP、Freebaseに関する大規模な実験により、HGC-Herdはフルグラフトレーニングに匹敵するあるいは優れた精度が得られることが確認された。
  論文  参考訳（メタデータ） (2025-12-08T09:24:48Z)
• Towards Pre-trained Graph Condensation via Optimal Transport [52.6504753271008]
  グラフ凝縮は、元のグラフを小さなグラフに蒸留し、冗長性を緩和し、GNNトレーニングを加速することを目的としている。 従来のGCアプローチは、厳格なGNNとタスク固有の監督に大きく依存している。 タスク依存GC法とアーキテクチャ依存GC法の限界を超越するために, 最適輸送による事前学習グラフ凝縮(PreGC)を提案する。
  論文  参考訳（メタデータ） (2025-09-18T08:13:24Z)
• HiTeC: Hierarchical Contrastive Learning on Text-Attributed Hypergraph with Semantic-Aware Augmentation [26.79020814067813]
  テキスト分散ハイパーグラフを用いたスケーラブルで効果的な自己教師型学習のための意味認識機能を備えた2段階階層型コントラスト学習フレームワークであるHiTeCを紹介する。 最初の段階では、従来の手法のグラフに依存しない性質を克服するために、構造を意識したコントラスト目的でテキストエンコーダを事前訓練する。 第2段階では、情報的ビュー生成を容易にするために、アクセシブル・エンハンスド・テキスト・エンハンスメントとセマンティック・アウェア・ハイパーエッジ・ドロップを含む2つのセマンティック・アウェア・エンハンスメント戦略を導入する。
  論文  参考訳（メタデータ） (2025-08-05T05:32:32Z)
• HyperGCT: A Dynamic Hyper-GNN-Learned Geometric Constraint for 3D Registration [60.01977041900338]
  HyperGCTは、柔軟でダイナミックなHyper-GNNによる幾何学的制約である。 動的ハイパーグラフから3次元登録のための堅牢な幾何学的制約を抽出する。 3DMatch, 3DLoMatch, KITTI-LC, ETH の実験により, HyperGCT が最先端の性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-03-04T02:05:43Z)
• Training-free Heterogeneous Graph Condensation via Data Selection [74.06562124781104]
  本稿では, 高速かつ高品質な不均質凝縮グラフ生成を容易にする, FreeHGC と呼ばれる, 基礎となる不均質グラフ凝縮法について紹介する。 具体的には、不均質グラフの凝縮問題をデータ選択問題として再構成し、不均質グラフにおける代表ノードとエッジを評価し、凝縮するための新たな視点を提供する。
  論文  参考訳（メタデータ） (2024-12-20T02:49:32Z)
• SHyPar: A Spectral Coarsening Approach to Hypergraph Partitioning [4.110108749051657]
  大規模ハイパーグラフのためのマルチレベルスペクトルフレームワークSHyParを導入し,ハイパーエッジ有効抵抗とフローベースコミュニティ検出技術を利用した。 SHyParの鍵となるコンポーネントは、ハイパーグラフ粗化のためのフローベースの局所クラスタリングスキームであり、最大フローベースのアルゴリズムを組み込んで、コンダクタンスを大幅に改善したノードを生成する。
  論文  参考訳（メタデータ） (2024-10-09T03:29:47Z)
• Rethinking and Accelerating Graph Condensation: A Training-Free Approach with Class Partition [49.41718583061147]
  グラフ凝縮(Graph condensation)は、大きなグラフを小さいが情報的な凝縮グラフに置き換えるための、データ中心のソリューションである。 既存のGCメソッドは、複雑な最適化プロセス、過剰なコンピューティングリソースとトレーニング時間を必要とする。 我々は、CGC(Class-partitioned Graph Condensation)と呼ばれるトレーニング不要なGCフレームワークを提案する。 CGCはOgbn-productsグラフを30秒以内に凝縮し、102$Xから104$Xまでのスピードアップを実現し、精度は4.2%まで向上した。
  論文  参考訳（メタデータ） (2024-05-22T14:57:09Z)
• Augmentations in Hypergraph Contrastive Learning: Fabricated and Generative [126.0985540285981]
  我々は、ハイパーグラフニューラルネットワークの一般化性を改善するために、画像/グラフからの対照的な学習アプローチ(ハイパーGCLと呼ぶ)を適用する。 我々は、高次関係を符号化したハイパーエッジを増大させる2つのスキームを作成し、グラフ構造化データから3つの拡張戦略を採用する。 拡張ビューを生成するためのハイパーグラフ生成モデルを提案し、次に、ハイパーグラフ拡張とモデルパラメータを協調的に学習するエンド・ツー・エンドの微分可能なパイプラインを提案する。
  論文  参考訳（メタデータ） (2022-10-07T20:12:20Z)
• Learnable Hypergraph Laplacian for Hypergraph Learning [34.28748027233654]
  HyperGraph Convolutional Neural Networks (HGCNN) は、グラフ構造化データに保存された高次関係をモデル化する可能性を示した。 我々はHypERgrAph Laplacian aDaptor(HERALD)と呼ばれる適応的なハイパーグラフ構造を構築するための最初の学習ベース手法を提案する。 HERALDは、ハイパーノードとハイパーエッジの隣接関係をエンドツーエンドで適応的に最適化し、タスク認識ハイパーグラフを学習する。
  論文  参考訳（メタデータ） (2021-06-12T02:07:07Z)
• Learnable Hypergraph Laplacian for Hypergraph Learning [34.28748027233654]
  HyperGraph Convolutional Neural Networks (HGCNN) は、グラフ構造化データに保存された高次関係をモデル化する可能性を示した。 我々はHypERgrAph Laplacian aDaptor(HERALD)と呼ばれる適応的なハイパーグラフ構造を構築するための最初の学習ベース手法を提案する。 HERALDは、ハイパーノードとハイパーエッジの隣接関係をエンドツーエンドで適応的に最適化し、タスク認識ハイパーグラフを学習する。
  論文  参考訳（メタデータ） (2021-06-10T12:37:55Z)

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。