論文の概要: Informative Graph Structure Learning

• arxiv url: http://arxiv.org/abs/2605.16809v1
• Date: Sat, 16 May 2026 04:46:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:47.097464
• Title: Informative Graph Structure Learning
• Title（参考訳）: インフォーマティブグラフ構造学習
• Authors: Shen Han, Zhiyao Zhou, Jiawei Chen, Sheng Zhou, Canghong Jin, Hai Lin, Da Zhong Li, Bingde Hu, Can Wang,
• Abstract要約: InGSL(Informative Graph Structure Learning)法を提案する。 InGSLは、相互情報誘導学習戦略を導入することにより、エッジ構築における類似性と多様性の両方を考察する。 InGSLはエッジ数を減らして大幅な性能向上を実現している。
• 参考スコア（独自算出の注目度）: 13.73614602397099
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The quality of graph-structured data is fundamental to the success of modern graph analysis techniques such as Graph Neural Networks (GNNs). However, real-world graph data is often suboptimal, suffering from issues such as noise and incomplete connections. Graph Structure Learning (GSL) has emerged as a promising technique that adaptively optimizes node connections. However, we observe that the effectiveness of GSL often comes at the cost of a dramatic expansion in edge count, resulting in significant storage and computational overhead. In this work, we reveal that this limitation stems from the prevalent use of similarity-based edge construction, which predominantly connects highly similar neighbors based on their embeddings, introducing substantial structure redundancy. To address this, we propose a novel Informative Graph Structure Learning method (InGSL), which jointly considers both similarity and diversity in edge construction by incorporating a mutual-information-guided learning strategy. Notably, InGSL serves as a plug-in module that can be seamlessly integrated into existing GSL frameworks. Through extensive experiments on six representative GSL methods, we demonstrate that InGSL achieves significant performance improvements at a reduced number of edges.
• Abstract（参考訳）: グラフ構造化データの質は、グラフニューラルネットワーク(GNN)のような現代のグラフ解析技術の成功に不可欠である。 しかし、実世界のグラフデータは、しばしば準最適であり、ノイズや不完全接続といった問題に悩まされる。 グラフ構造学習(GSL)は、ノード接続を適応的に最適化する有望な手法として登場した。 しかし、GSLの有効性は、しばしばエッジカウントの劇的な拡張によるコストが伴うため、ストレージと計算オーバーヘッドが大幅に増大する。 本研究では,この制限は類似性に基づくエッジ構造が広く用いられていることに起因することを明らかにする。 そこで本稿では,相互情報誘導型学習戦略を取り入れ,エッジ構築における類似性と多様性を両立させる新しいグラフ構造学習手法を提案する。 特に、InGSLは既存のGSLフレームワークにシームレスに統合できるプラグインモジュールとして機能する。 6つの代表的GSL法に関する広範囲な実験を通して、InGSLはエッジ数を減らして大幅な性能向上を達成できることを実証した。

関連論文リスト

• GraphEdit: Large Language Models for Graph Structure Learning [14.16155596597421]
  グラフ構造学習(GSL)は、グラフ構造データ中のノード間の固有の依存関係と相互作用をキャプチャすることに焦点を当てている。 既存のGSL法は、監督信号として明示的なグラフ構造情報に大きく依存している。 グラフ構造化データの複雑なノード関係を学習するために,大規模言語モデル(LLM)を利用したグラフ編集を提案する。
  論文  参考訳（メタデータ） (2024-02-23T08:29:42Z)
• Robust Graph Structure Learning with the Alignment of Features and Adjacency Matrix [8.711977569042865]
  クリーンなグラフ構造とそれに対応する表現を共同で学習するグラフ構造学習(GSL)には,多くのアプローチが提案されている。 本稿では,特に特徴情報とグラフ情報の整合性を考慮した新しい正規化GSL手法を提案する。 本手法の有効性を評価するために,実世界のグラフを用いて実験を行った。
  論文  参考訳（メタデータ） (2023-07-05T09:05:14Z)
• OpenGSL: A Comprehensive Benchmark for Graph Structure Learning [40.50100033304329]
  グラフ構造学習(GSL)の最初の包括的なベンチマークであるOpenGSLを紹介する。 OpenGSLは、様々な一般的なデータセットで評価することで、最先端のGSLメソッドの公平な比較を可能にする。 学習した構造のホモフィリィとタスクパフォーマンスとの間に有意な相関は見られず、共通の信念に挑戦する。
  論文  参考訳（メタデータ） (2023-06-17T07:22:25Z)
• SE-GSL: A General and Effective Graph Structure Learning Framework through Structural Entropy Optimization [67.28453445927825]
  グラフニューラルネットワーク(GNN)は、構造的データ学習のデファクトソリューションである。 既存のグラフ構造学習(GSL)フレームワークには、堅牢性と解釈性がない。 本稿では、構造エントロピーと符号化木に抽象化されたグラフ階層を通して、一般的なGSLフレームワークSE-GSLを提案する。
  論文  参考訳（メタデータ） (2023-03-17T05:20:24Z)
• Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
  本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。 具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
  論文  参考訳（メタデータ） (2022-01-17T11:57:29Z)

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。