論文の概要: Multimodal Graph Negative Learning

• arxiv url: http://arxiv.org/abs/2606.12863v1
• Date: Thu, 11 Jun 2026 03:47:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.567609
• Title: Multimodal Graph Negative Learning
• Title（参考訳）: マルチモーダルグラフ負学習
• Authors: Zhengyu Wu, Xu Wang, Hongchao Qin, Xunkai Li, Guang Zeng, Rong-Hua Li, Guoren Wang,
• Abstract要約: GraphMNLはグラフ対応のマルチモーダルな負の学習フレームワークである。 グラフを意識した信頼性の仲裁によって支配的および劣等分枝を特定し、不安定な転送をゲートし、非ターゲットクラスに対してターゲット保存の負の学習を適用する。 Reddit Mデータセットの72.47%の精度と76.60のF1スコアを持つGroceryデータセット上で最高のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 38.400117494307615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multimodal attributed graphs (MAGs) integrate graph topology with heterogeneous modality attributes, such as text and images, thereby enabling richer modeling of complex relational systems. However, such expressiveness also makes learning on MAGs depend on multiple semantic sources, including structural topology, textual and visual attributes, each of which can be regarded as a branch for node representation. Node-level branch semantic imbalance arises when these branches differ across nodes in semantic informativeness and reliability: a branch that provides discriminative semantics for one node may mislead another due to bias in modality quality or structural context. Existing methods often mitigate such heterogeneity through cross-branch agreement or alignment, implicitly treating the dominant prediction as reliable supervision. When the dominant branch is biased, forced imitation may propagate its bias to other branches and suppress original semantics that are useful for classification. We propose GraphMNL, a graph-aware multimodal negative learning framework that addresses this issue by using Negative Learning as cross-branch guidance. Instead of forcing inferior branches to imitate a teacher prediction, the model teaches them which classes a node is unlikely to belong to. GraphMNL builds a branch library, identifies dominant and inferior branches via graph-aware reliability arbitration, gates unstable transfer, and applies target-preserving negative learning over non-target classes. This design decouples target supervision from branch guidance so that supervised losses learn the correct class, while Negative Learning suppresses unlikely alternatives when branch agreement is unreliable. Through the comprehensive experimental evaluation, GraphMNL achieves the best performance on Grocery datasets with 72.47% accuracy and 76.60 F1 score on Reddit M datasets.
• Abstract（参考訳）: マルチモーダル属性グラフ(MAG)は、テキストや画像などの不均一なモダリティ属性とグラフトポロジーを統合し、複雑なリレーショナルシステムのよりリッチなモデリングを可能にする。 しかし、そのような表現性は、構造的トポロジー、テキストおよび視覚的属性を含む複数の意味源に依存し、それぞれがノード表現の分岐と見なすことができる。 ノードレベルのブランチセマンティック不均衡は、これらのブランチが意味的情報性と信頼性においてノード間で異なるときに生じる: あるノードに対して差別的なセマンティクスを提供するブランチは、モダリティの品質や構造的コンテキストのバイアスのために、別のノードを誤解させる可能性がある。 既存の手法はしばしば、クロスブランチ合意やアライメントを通じてそのような不均一性を緩和し、支配的な予測を信頼できる監督として暗黙的に扱う。 支配的分岐がバイアスを受けるとき、強制的模倣は、そのバイアスを他の分岐に伝播させ、分類に有用な本来の意味論を抑圧する。 グラフ対応マルチモーダル負学習フレームワークであるGraphMNLを提案する。 モデルでは、下位のブランチに教師の予測を模倣させる代わりに、ノードが属さないクラスを教えている。 GraphMNLは、ブランチライブラリを構築し、グラフ認識の信頼性の仲裁、ゲートの不安定な転送、ターゲット以外のクラスに対してターゲット保存の負の学習を適用することによって、支配的および下位のブランチを識別する。 この設計は、監督された損失が正しいクラスを学ぶために、ブランチガイダンスからターゲットの監督を分離する一方、負の学習はブランチ合意が信頼できない場合に、不可能な代替を抑える。 包括的な実験評価を通じて、GraphMNLは72.47%の精度と76.60のF1スコアを持つGroceryデータセット上で最高のパフォーマンスを達成する。

関連論文リスト

• GraphIFE: Rethinking Graph Imbalance Node Classification via Invariant Learning [49.47096910857841]
  ほとんどのグラフニューラルネットワークは、バランスの取れたクラス分布を暗黙的に仮定するが、これは偏りのある学習と少数クラスの性能低下につながる可能性がある。 合成ノードの品質不整合を緩和する新しいフレームワークであるGraphIFEを提案する。 提案手法は,グラフ不変学習の2つの重要な概念を取り入れ,埋め込み空間表現を強化する戦略を導入する。
  論文  参考訳（メタデータ） (2025-09-28T03:41:16Z)
• From GNNs to Trees: Multi-Granular Interpretability for Graph Neural Networks [29.032055397116217]
  解釈可能なグラフニューラルネットワーク(GNN)は、モデル予測の背後にある理由を明らかにすることを目的としている。 既存の部分グラフベースの解釈可能なメソッドは、局所構造上のオーバーエンハンシスに悩まされる。 グラフ分類のための新しいツリーライクな解釈フレームワーク(TIF)を提案する。
  論文  参考訳（メタデータ） (2025-05-01T07:22:51Z)
• Conditional Distribution Learning on Graphs [15.730933577970687]
  半教師付きグラフ分類のためのグラフ構造化データからグラフ表現を学習する条件分布学習(CDL)法を提案する。 具体的には、元の特徴に対して弱機能および強拡張機能の条件分布を整列するエンドツーエンドグラフ表現学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-20T07:26:36Z)
• Federated Graph Semantic and Structural Learning [54.97668931176513]
  本稿では,ノードレベルのセマンティクスとグラフレベルの構造の両方によって局所的なクライアントの歪みがもたらされることを示す。 構造的グラフニューラルネットワークは、固有の隣接関係のため、隣人に類似性を持っていると仮定する。 我々は、隣接関係を類似度分布に変換し、グローバルモデルを利用して関係知識を局所モデルに蒸留する。
  論文  参考訳（メタデータ） (2024-06-27T07:08:28Z)
• CoCo: A Coupled Contrastive Framework for Unsupervised Domain Adaptive Graph Classification [45.60080275612589]
  結合学習分野からトポロジ情報を抽出するCoCo(CoCo)を提案する。 CoCoは、さまざまな設定で競合するベースラインを上回っている。
  論文  参考訳（メタデータ） (2023-06-08T07:10:35Z)
• 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)
• Graph Neural Network with Curriculum Learning for Imbalanced Node Classification [21.085314408929058]
  グラフニューラルネットワーク(GNN)は,ノード分類などのグラフベースの学習タスクの新興技術である。 本研究では,ノードラベルの不均衡に対するGNNの脆弱性を明らかにする。 本稿では,2つのモジュールからなるカリキュラム学習(GNN-CL)を備えたグラフニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-05T10:46:11Z)

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。