論文の概要: A Unified Perspective for Learning Graph Representations Across Multi-Level Abstractions

• arxiv url: http://arxiv.org/abs/2605.12685v1
• Date: Tue, 12 May 2026 19:33:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.649061
• Title: A Unified Perspective for Learning Graph Representations Across Multi-Level Abstractions
• Title（参考訳）: マルチレベル抽象化におけるグラフ表現学習の統一的視点
• Authors: Mohamed Mahmoud Amar, Nairouz Mrabah, Mohamed Bouguessa, Abdoulaye Baniré Diallo,
• Abstract要約: Graph Self-Supervised Learning (GSSL)は、グラフ構造化データの高品質な表現を生成するための強力なパラダイムとして登場した。 本稿では,ノードレベル,近接レベル,クラスタレベル,グラフレベルを対象とする統合コントラストフレームワークを提案する。 本研究では,各パラメータの類似点と相似点に適応的に重みを割り当てる,パラメータフリーできめ細かい自己重み付け機構を提案する。
• 参考スコア（独自算出の注目度）: 9.5313137048105
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Self-Supervised Learning (GSSL) has emerged as a powerful paradigm for generating high-quality representations for graph-structured data. While multi-scale graph contrastive learning has received increasing attention, many existing methods still predominantly focus on a single graph abstraction level. To address this limitation, we propose a unified contrastive framework that can target node-level, proximity-level, cluster-level, and graph-level information and integrate them through a linear combination of similarity scores on positive pairs and dissimilarity scores (i.e., similarity scores on negative pairs). Furthermore, current approaches typically assign uniform penalty strengths to all examples, which reduces optimization flexibility and leads to ambiguous convergence status. To overcome this, we introduce a novel parameter-free fine-grained self-weighting mechanism that adaptively assigns weights to individual similarity and dissimilarity scores. The proposed mechanism emphasizes the scores that deviate significantly from their target values. Our approach not only enhances optimization flexibility but also eliminates the computational overhead of hyperparameter tuning in conventional multi-task GSSL methods. Comprehensive experiments on real-world datasets show that our methods consistently outperform state-of-the-art approaches across downstream tasks, including classification, clustering, and link prediction, in both single-level and multi-level scenarios.
• Abstract（参考訳）: Graph Self-Supervised Learning (GSSL)は、グラフ構造化データの高品質な表現を生成するための強力なパラダイムとして登場した。 マルチスケールグラフのコントラスト学習が注目されている一方で、既存の多くの手法は依然として1つのグラフの抽象化レベルに重点を置いている。 この制限に対処するために、ノードレベル、近接レベル、クラスタレベル、グラフレベルの情報をターゲットとし、正のペアと異性度スコア(負のペアの類似度スコア)の線形結合によりそれらを統合可能な統合コントラストフレームワークを提案する。 さらに、現在のアプローチでは一般に全ての例に均一なペナルティ強度を割り当て、最適化の柔軟性を低下させ、曖昧な収束状態をもたらす。 そこで本研究では,各パラメータの類似点と相似点に適応的に重みを割り当てる,パラメータフリーできめ細かい自己重み付け機構を提案する。 提案したメカニズムは、目標値から大きく逸脱するスコアを強調する。 提案手法は最適化の柔軟性を向上するだけでなく,従来のマルチタスクGSSL法におけるハイパーパラメータチューニングの計算オーバーヘッドを削減する。 実世界のデータセットに関する総合的な実験により、我々の手法は、単一のレベルとマルチレベルの両方のシナリオにおいて、分類、クラスタリング、リンク予測を含む下流タスクにおける最先端のアプローチを一貫して上回ります。

関連論文リスト

• Aggregation-aware MLP: An Unsupervised Approach for Graph Message-passing [10.93155007218297]
  AMLP"は、アグリゲーション関数を直接作成することから適応アグリゲーションへとパラダイムをシフトする、教師なしのフレームワークである。 提案手法は2つの重要なステップから構成される: まず、高次グルーピング効果を促進するグラフ再構成を利用する。
  論文  参考訳（メタデータ） (2025-07-27T04:52:55Z)
• Dual Boost-Driven Graph-Level Clustering Network [17.423787223848453]
  本稿では,グラフレベルのクラスタリングを交互に促進し,干渉情報をフィルタリングするDual Boost-Driven Graph-Level Clustering Network (DBGCN)を提案する。 プーリングのステップでは、グローバルな特徴の寄与を評価し、学習可能な変換行列を用いてそれらを最適化する。 まず、グラフレベルの表現の類似性を評価することにより、クラスタリングに有害な情報を識別し、抑制する。
  論文  参考訳（メタデータ） (2025-04-08T04:32:46Z)
• Revisiting Self-Supervised Heterogeneous Graph Learning from Spectral Clustering Perspective [52.662463893268225]
  自己教師付きヘテロジニアスグラフ学習(SHGL)は様々なシナリオにおいて有望な可能性を示している。 既存のSHGLメソッドには2つの大きな制限がある。 ランクと二重整合性制約によって強化された新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2024-12-01T09:33:20Z)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• Convolutional Fine-Grained Classification with Self-Supervised Target Relation Regularization [34.8793946023412]
  本稿では,動的ターゲット関係グラフ(DTRG)を新たに導入する。 クラスレベルの特徴中心のオンライン計算は、表現空間におけるカテゴリ間距離を生成するように設計されている。 提案したターゲットグラフは,表現学習におけるデータの分散性と不均衡を緩和する。
  論文  参考訳（メタデータ） (2022-08-03T11:51:53Z)
• Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
  グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。 グラフが現在の勾配を混合する能力を定量化する計量法を提案する。 そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
  論文  参考訳（メタデータ） (2022-04-13T15:54:35Z)
• 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)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• Graph Contrastive Clustering [131.67881457114316]
  本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。 特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。 一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
  論文  参考訳（メタデータ） (2021-04-03T15:32:49Z)

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。