論文の概要: Learning over Positive and Negative Edges with Contrastive Message Passing

• arxiv url: http://arxiv.org/abs/2605.17854v1
• Date: Mon, 18 May 2026 04:52:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.813937
• Title: Learning over Positive and Negative Edges with Contrastive Message Passing
• Title（参考訳）: コントラスト型メッセージパッシングによる正負エッジの学習
• Abstract要約: Contrastive Message Passing (CMP)を導入し、グラフニューラルネットワーク層が正および負のエッジを推論できるようにする。 負のエッジが通知される場合、CMPは低ラベル設定でベースラインを一貫して上回る。
• 参考スコア（独自算出の注目度）: 45.18818712867722
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional approaches to learning on graphs involve message passing along existing (i.e., positive) edges to update node features. However, these approaches often disregard the potentially valuable information contained in the absence (i.e., negative) of edges. Here, we theoretically analyze the value of negative edges in graph representations and prove that in settings of low label rates, high homophily, and high edge density, access to negative edges provides significant information gain over using only positive edges. Motivated by this insight, we introduce Contrastive Message Passing (CMP), a general message passing architecture that enable graph neural network layers to reason over positive and negative edges. By imposing soft positive semidefinite constraints on the learnable weights, our approach differentially applies similarity-preserving transformations to positively connected nodes and dissimilarity-inducing transformations to negatively connected nodes. Over simulated and real datasets in varying data regimes, CMP consistently outperforms baselines in low-label settings when negative edges are informative.
• Abstract（参考訳）: グラフで学習する従来のアプローチは、ノードの機能を更新するために、既存の(正の)エッジに沿ってメッセージパッシングを行う。 しかし、これらのアプローチはしばしばエッジの欠如(すなわち負)に含まれる潜在的に価値のある情報を無視する。 ここでは,グラフ表現における負のエッジの値を理論的に解析し,低ラベル率,高ホモフィリー,高エッジ密度の設定において,負のエッジへのアクセスは正のエッジのみを用いることよりも重要な情報ゲインを提供することを示す。 この知見に触発されたContrastive Message Passing(CMP)は、グラフニューラルネットワーク層が正および負のエッジを推論できる一般的なメッセージパッシングアーキテクチャである。 学習可能な重みにソフトな正半定制約を課すことにより、正の連結ノードに対する類似性保存変換と負の連結ノードに対する相似性誘導変換を微分的に適用する。 さまざまなデータレシエーションにおけるシミュレーションと実際のデータセットの超過により、CMPは負のエッジが通知される場合、低ラベル設定でのベースラインを一貫して上回る。

関連論文リスト

• Adversarial Signed Graph Learning with Differential Privacy [13.459205297125534]
  正と負のエッジを持つ符号付きグラフは、ソーシャルネットワークの複雑な関係をモデル化することができる。 繊細な署名付きグラフのトレーニングは、重要なプライバシー上の懸念を提起する。 本稿では,プライバシ保護のためのグラフ学習手法ASGLを提案する。
  論文  参考訳（メタデータ） (2025-11-29T04:02:48Z)
• A Signed Graph Approach to Understanding and Mitigating Oversmoothing in GNNs [54.62268052283014]
  署名されたグラフの枠組みに基づく統一的な理論的視点を示す。 既存の戦略の多くは、メッセージパッシングを変えて過度な操作に抵抗する負のエッジを暗黙的に導入している。 本稿では,ラベルや特徴の類似性に基づいて署名されたエッジを割り当てるプラグイン・アンド・プレイ方式であるStructure Balanced Propagation (SBP)を提案する。
  論文  参考訳（メタデータ） (2025-02-17T03:25:36Z)
• Why Does Dropping Edges Usually Outperform Adding Edges in Graph Contrastive Learning? [54.44813218411879]
  グラフがネットワークにどのように適合するかを定量化するために、新しいメトリック、すなわちエラー通過率(EPR)を導入する。 理論的な結論とポジティブ・インセンティブ雑音のアイデアに触発されて、我々は新しいGCLアルゴリズム、エラー・パッシングに基づくグラフコントラスト学習(EPAGCL)を提案する。 EPRから得られる重みに基づいてエッジの追加とドロップによりビューを生成する。
  論文  参考訳（メタデータ） (2024-12-11T06:31:06Z)
• Negative as Positive: Enhancing Out-of-distribution Generalization for Graph Contrastive Learning [60.61079931266331]
  グラフコントラスト学習(GCL)において、最も意味論的に類似したドメイン間負対を正として扱う新たな戦略であるNegative as Positiveを提案する。 実験結果から,GCLのOOD一般化性能が大幅に向上することが確認された。
  論文  参考訳（メタデータ） (2024-05-25T13:29:31Z)
• ADEdgeDrop: Adversarial Edge Dropping for Robust Graph Neural Networks [53.41164429486268]
  グラフニューラルネットワーク(GNN)は、近隣ノードからグラフ構造化情報を収集する強力な能力を示した。 GNNの性能は、ノイズや冗長なグラフデータによって引き起こされる一般化の貧弱さと脆弱な堅牢性によって制限される。 本稿では,エッジの除去を誘導する対向エッジ予測器を利用する新しい対向エッジドロップ法 (ADEdgeDrop) を提案する。
  論文  参考訳（メタデータ） (2024-03-14T08:31:39Z)
• Smoothed Graph Contrastive Learning via Seamless Proximity Integration [30.247207861739245]
  グラフコントラスト学習(GCL)はノードペアを正と負に分類することでノード表現を整列させる。 SGCL(Smoothed Graph Contrastive Learning Model)を提案する。 提案したSGCLは,3つの異なる平滑化手法を取り入れることで,ノード対に付随するペナルティを対照的な損失で調整する。
  論文  参考訳（メタデータ） (2024-02-23T11:32:46Z)
• Balancing Augmentation with Edge-Utility Filter for Signed GNNs [0.20482269513546458]
  署名付きグラフニューラルネットワーク(SGNN)は、多くの現実世界のネットワークが2種類のエッジを含む署名付きネットワークであるため、近年注目を集めている。 負のエッジの存在は2つの側面においてSGNNのロバスト性に影響を与える。 本稿では,SGNNにおける上記の2つの側面に対処するバランス強化手法を提案する。まず,不均衡構造における各負のエッジの発生を計算して,各負のエッジの有用性を計測し,第2に,(1)エッジレギュレータを用いて原符号グラフを選択的に拡張する。
  論文  参考訳（メタデータ） (2023-10-25T07:15:01Z)
• Efficient Link Prediction via GNN Layers Induced by Negative Sampling [86.87385758192566]
  リンク予測のためのグラフニューラルネットワーク(GNN)は、緩やかに2つの広いカテゴリに分けられる。 本稿では,新しいGNNアーキテクチャを提案する。このアーキテクチャでは,Emphforwardパスは,Emphboth陽性(典型的)と負陰性(アプローチに共通)のエッジに明示的に依存する。 これは、埋め込み自体を、正と負のサンプルの分離を好むフォワードパス特異的エネルギー関数の最小化子として再キャストすることで達成される。
  論文  参考訳（メタデータ） (2023-10-14T07:02:54Z)
• Pseudo Contrastive Learning for Graph-based Semi-supervised Learning [67.37572762925836]
  Pseudo Labelingは、グラフニューラルネットワーク(GNN)の性能向上に使用されるテクニックである。 我々はPseudo Contrastive Learning(PCL)と呼ばれるGNNのための一般的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-19T10:34:08Z)
• Relation-aware Graph Attention Model With Adaptive Self-adversarial Training [29.240686573485718]
  本稿では,不均一なマルチリレーショナルグラフにおける関係予測タスクのエンドツーエンドソリューションについて述べる。 特にパイプライン内の2つのビルディングブロック、すなわちヘテロジニアスグラフ表現学習と負のサンプリングに対処する。 パラメータフリーな負のサンプリング手法であるadaptive self-adversarial (asa) 負のサンプリングを導入する。
  論文  参考訳（メタデータ） (2021-02-14T16:11:56Z)

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。