論文の概要: Fast and Featureless Node Representation Learning with Partial Pairwise Supervision

• arxiv url: http://arxiv.org/abs/2605.19916v1
• Date: Tue, 19 May 2026 14:40:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:09.403985
• Title: Fast and Featureless Node Representation Learning with Partial Pairwise Supervision
• Title（参考訳）: 部分的ペアワイズによる高速かつ特徴のないノード表現学習
• Authors: Sujan Chakraborty, Saptarshi Bej,
• Abstract要約: Contrastive FUSEはグラフにおけるスケーラブルなノード表現学習のためのフレームワークであり、部分的にペアワイズノードラベルがあり、利用可能なノード機能はない。 我々は、高価なモジュラリティ勾配を軽量な近似に置き換え、計算コストを大幅に削減しつつ、モジュラリティの構造探索挙動を保存する。 ベンチマーク引用ネットワーク、大規模共購入グラフ、およびOGBデータセットの実験により、Contrastive FUSEは、ノード機能に頼ることなく、競合的または優れたコントラスト的分類性能を達成することが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Contrastive FUSE, a fast and unified framework for scalable node representation learning in graphs with partially available pairwise node labels and no available node features. Unlike existing methods, we directly optimize a spectral contrastive objective that integrates community-aware structural signals with signed pairwise constraints. To support large-scale training, we replace the expensive modularity gradient with a lightweight approximation, which preserves the structure-seeking behavior of modularity while reducing the computational cost significantly. This yields an efficient optimization scheme with a natural gradient decomposition and adaptive learning-rate scaling, enabling fast iterative updates even on million-edge graphs. Extensive experiments on benchmark citation networks, large co-purchase graphs, and OGB datasets show that Contrastive FUSE achieves competitive or superior contrastive classification performance without relying on node features, while offering substantial runtime gains over existing baselines. These results highlight the effectiveness of coupling modularity-inspired structural learning with contrastive supervision for efficient and scalable contrastive node representation learning.
• Abstract（参考訳）: グラフにおけるスケーラブルなノード表現学習のための高速で統一的なフレームワークであるContrastive FUSEを紹介した。 既存の手法とは異なり、コミュニティが認識する構造的信号と符号付きペアの制約を統合したスペクトルコントラスト目的を直接最適化する。 大規模学習を支援するため,計算コストを大幅に削減しつつ,モジュラリティの構造探索挙動を保ちつつ,軽量な近似で高コストなモジュラリティ勾配を置き換える。 これにより、自然な勾配分解と適応的な学習速度スケーリングによる効率的な最適化スキームが得られ、百万のエッジグラフ上でも高速に反復的な更新が可能となる。 ベンチマーク引用ネットワーク、大規模な共購入グラフ、およびOGBデータセットに関する大規模な実験は、Contrastive FUSEが、ノード機能に頼ることなく、競合的あるいは優れたコントラスト分類性能を達成し、既存のベースラインよりも大幅にランタイムゲインを提供することを示している。 これらの結果は,高能率かつスケーラブルなノード表現学習のためのコントラクティブ・インスペクティブ・インスペクティブ・インスピレーションによる構造学習の有効性を強調した。

関連論文リスト

• FUSE: Fast Semi-Supervised Node Embedding Learning via Structural and Label-Aware Optimization [0.0]
  3つの相補的目的を共同で最適化する高速半教師あり組込みフレームワークを提案する。 標準ベンチマークにおいて,本手法は最先端手法と同等以上の分類精度を一貫して達成する。
  論文  参考訳（メタデータ） (2025-10-13T10:39:58Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• Matcha: Mitigating Graph Structure Shifts with Test-Time Adaptation [66.40525136929398]
  テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。 グラフの構造シフトへの効果的かつ効率的な適応を目的とした,革新的なフレームワークであるMatchaを提案する。 合成と実世界の両方のデータセットに対するMatchaの有効性を検証し、構造と属性シフトの様々な組み合わせにおける頑健さを実証した。
  論文  参考訳（メタデータ） (2024-10-09T15:15:40Z)
• Modularity aided consistent attributed graph clustering via coarsening [6.522020196906943]
  グラフクラスタリングは、属性付きグラフを分割し、コミュニティを検出するための重要な教師なし学習手法である。 本稿では,ブロックの最大化最小化手法を用いて,対数行列,滑らか性,モジュラリティを組み込んだ損失関数を提案する。 我々のアルゴリズムはグラフニューラルネットワーク(GNN)と変分グラフオートエンコーダ(VGAE)をシームレスに統合し、拡張ノードの特徴を学習し、例外的なクラスタリング性能を実現する。
  論文  参考訳（メタデータ） (2024-07-09T10:42:19Z)
• Localized Contrastive Learning on Graphs [110.54606263711385]
  局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。 その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
  論文  参考訳（メタデータ） (2022-12-08T23:36:00Z)
• FastGCL: Fast Self-Supervised Learning on Graphs via Contrastive Neighborhood Aggregation [26.07819501316758]
  よりコントラスト的なスキームは、グラフニューラルネットワークの特性に合わせて調整されるべきである、と我々は主張する。 重み付けと非集約の近傍情報をそれぞれ正と負のサンプルとして構成することにより、FastGCLはデータの潜在的な意味情報を識別する。 ノード分類とグラフ分類のタスクについて実験を行い、FastGCLは競合する分類性能と重要なトレーニングスピードアップを有することを示した。
  論文  参考訳（メタデータ） (2022-05-02T13:33:43Z)
• Deep Reinforcement Learning of Graph Matching [63.469961545293756]
  ノードとペアの制約下でのグラフマッチング(GM)は、最適化からコンピュータビジョンまでの領域におけるビルディングブロックである。 GMのための強化学習ソルバを提案する。 rgmはペアワイズグラフ間のノード対応を求める。 本手法は,フロントエンドの特徴抽出と親和性関数学習に焦点をあてるという意味において,従来のディープグラフマッチングモデルと異なる。
  論文  参考訳（メタデータ） (2020-12-16T13:48:48Z)
• Graph Contrastive Learning with Adaptive Augmentation [23.37786673825192]
  本稿では,適応的拡張を用いた新しいグラフコントラスト表現学習法を提案する。 具体的には,ノードの集中度に基づく拡張スキームを設計し,重要な結合構造を明らかにする。 提案手法は,既存の最先端のベースラインを一貫して上回り,教師付きベースラインを超えている。
  論文  参考訳（メタデータ） (2020-10-27T15:12:21Z)

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。