論文の概要: Text-attributed Graph Condensation via Text Selection and Attribute Matching

• arxiv url: http://arxiv.org/abs/2606.03839v1
• Date: Tue, 02 Jun 2026 16:20:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:05.151949
• Title: Text-attributed Graph Condensation via Text Selection and Attribute Matching
• Title（参考訳）: テキスト選択と属性マッチングによるテキスト分布グラフの凝縮
• Authors: Haowei Han, Yuxiang Wang, Guojia Wan, Hao Wang, Shanshan Feng, Hao Huang, Jiawei Jiang, Xiao Yan,
• Abstract要約: Text-Attributed Graph (TAG) はグラフ構造化データの重要なタイプであり、各ノードにテキスト記述がある。 トレーニング精度を維持しながらTAGを圧縮する凝縮法であるTAGSAMを提案する。 我々は,TAGSAMを6つの最先端ベースラインに対して評価し,優れた性能を示した。
• 参考スコア（独自算出の注目度）: 28.931532502324487
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-Attributed Graph (TAG) is an important type of graph structured data, where each node has a text description. TAG models usually train a Graph Neural Network (GNN) and language model jointly, which leads to high space and time consumption, especially on large datasets. To mitigate this, we propose TAGSAM, a condensation method that compresses TAGs while preserving training accuracy. TAGSAM comes with two key designs, i.e., subgraph text Selection and Attribute similarity Matching, which compress the text description and graph topology of TAG, respectively. For the texts, subgraph text selection selects and merges representative text chunks from multiple related text descriptions by maximizing mutual information. For the graph topology, popular condensation methods based on Matching Training Trajectories (MTT) suffer from high variance, which hinders accuracy. Our attribute similarity matching mitigates this issue by aligning stable similarity matrices. We evaluate TAGSAM against six state-of-the-art baselines, where it showcases superior performance. For the same compressed size, TAGSAM improves upon the best-performing baseline by an average of 4.9% in accuracy. Furthermore, it maintains competitive training accuracy even when the TAG is condensed to just 1% size. Our code is available at https://github.com/SundayVHan/TAGSAM
• Abstract（参考訳）: Text-Attributed Graph (TAG) はグラフ構造化データの重要なタイプであり、各ノードにテキスト記述がある。 TAGモデルは、通常、グラフニューラルネットワーク(GNN)と言語モデルを併用してトレーニングする。 そこで本研究では,TAGの精度を保ちながらTAGを圧縮する凝縮法であるTAGSAMを提案する。 TAGSAMには2つの重要な設計、すなわちサブグラフテキスト選択と属性類似性マッチングがあり、それぞれTAGのテキスト記述とグラフトポロジーを圧縮している。 テキストに対して、テキスト選択は、複数の関連テキスト記述から代表テキストチャンクを選択し、マージし、相互情報を最大化する。 グラフトポロジでは、マッチング訓練軌道(MTT)に基づく一般的な凝縮法は、高いばらつきに悩まされ、精度を損なう。 我々の属性類似性マッチングは、安定な類似性行列を整列させることによってこの問題を緩和する。 我々は,TAGSAMを6つの最先端ベースラインに対して評価し,優れた性能を示した。 同じ圧縮サイズの場合、TAGSAMは平均4.9%の精度で最高の性能のベースラインを改善する。 さらに、TAGを1%に縮合した場合でも、競争訓練精度を維持する。 私たちのコードはhttps://github.com/SundayVHan/TAGSAMで利用可能です。

関連論文リスト

• Exploiting Text Semantics for Few and Zero Shot Node Classification on Text-attributed Graph [45.61861034952655]
  テキスト分散グラフ(TAG)は、各グラフノードにテキスト記述を提供する。 テキストセマンティックス拡張(TSA)を提案する。
  論文  参考訳（メタデータ） (2025-05-13T02:06:08Z)
• EAFormer: Scene Text Segmentation with Edge-Aware Transformers [56.15069996649572]
  シーンテキストセグメンテーションは、通常、生成モデルがテキストの編集や削除を支援するために使用されるシーンイメージからテキストを抽出することを目的としている。 本稿では,特にテキストのエッジにおいて,テキストをより正確にセグメント化するためのエッジ対応変換器EAFormerを提案する。
  論文  参考訳（メタデータ） (2024-07-24T06:00:33Z)
• Pre-Training and Prompting for Few-Shot Node Classification on Text-Attributed Graphs [35.44563283531432]
  テキスト分散グラフ(英: Text-attributed graph、TAG)は、生のテキストに関連付けられた各ノードを持つ、現実世界の重要なグラフ構造化データの一種である。 TAGでは、従来の数発のノード分類手法が、事前処理されたノード機能で直接トレーニングを行う。 P2TAGは、グラフ事前学習とプロンプトを備えたTAG上の少数ショットノード分類のためのフレームワークである。
  論文  参考訳（メタデータ） (2024-07-22T07:24:21Z)
• TAGLAS: An atlas of text-attributed graph datasets in the era of large graph and language models [25.16561980988102]
  TAGLASは、テキスト分散グラフ(TAG)データセットとベンチマークのアトラスである。 我々は、23以上のTAGデータセットを引用グラフから分子グラフまでの範囲で収集し、統合する。 すべてのデータセットやタスクをロードする、標準化された、効率的で、単純化された方法を提供する。
  論文  参考訳（メタデータ） (2024-06-20T19:11:35Z)
• Learning Multiplex Representations on Text-Attributed Graphs with One Language Model Encoder [55.24276913049635]
  テキスト分散グラフ上での多重表現学習のための新しいフレームワークMETAGを提案する。 既存の手法とは対照的に、MeTAGは1つのテキストエンコーダを使用して関係性間の共有知識をモデル化する。 学術分野と電子商取引分野の5つのグラフにおいて,9つの下流タスクについて実験を行った。
  論文  参考訳（メタデータ） (2023-10-10T14:59:22Z)
• Copy Is All You Need [66.00852205068327]
  既存のテキストコレクションからテキストセグメントを段階的にコピーするテキスト生成を定式化する。 提案手法は, 自動評価と人的評価の両方により, より優れた生成品質を実現する。 当社のアプローチでは,より大規模なテキストコレクションにスケールアップすることで,さらなるパフォーマンス向上を実現しています。
  論文  参考訳（メタデータ） (2023-07-13T05:03:26Z)
• Hierarchical Heterogeneous Graph Representation Learning for Short Text Classification [60.233529926965836]
  短文分類のためのグラフニューラルネットワーク(GNN)に基づく ShiNE と呼ばれる新しい手法を提案する。 まず,短文データセットを単語レベル成分グラフからなる階層的不均一グラフとしてモデル化する。 そして、類似した短いテキスト間の効果的なラベル伝搬を容易にするショート文書グラフを動的に学習する。
  論文  参考訳（メタデータ） (2021-10-30T05:33:05Z)
• Graph Structured Network for Image-Text Matching [127.68148793548116]
  微粒化対応学習のためのグラフ構造化マッチングネットワークを提案する。 GSMNは、明示的にオブジェクト、関係、属性を構造化されたフレーズとしてモデル化する。 実験により、GSMNはベンチマークで最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-04-01T08:20:42Z)

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。