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
- Authors: Fan Li, Xiaoyang Wang, Chen Chen, Wenjie Zhang,
- 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
- 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) - 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)
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。