Fugu-MT 論文翻訳(概要): Boundary Embedding Shaping with Adaptive Contrastive Learning for Graph Structural Disentanglement

論文の概要: Boundary Embedding Shaping with Adaptive Contrastive Learning for Graph Structural Disentanglement

arxiv url: http://arxiv.org/abs/2606.20283v1
Date: Thu, 18 Jun 2026 14:28:10 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-19 18:23:39.912884
Title: Boundary Embedding Shaping with Adaptive Contrastive Learning for Graph Structural Disentanglement
Title（参考訳）: グラフ構造異方性に対する適応的コントラスト学習による境界埋め込み形状
Authors: Jiaqing Chen, Zidu Yin, Yichao Cai, Yuhang Liu, Zhen Zhang, Dong Gong, Javen Qinfeng Shi,
Abstract要約: BES(Bundary Embedding Shaping)は、決定境界における急激な構造ノイズを選択的に抑制する適応型コントラスト学習GNNプラグインモジュールである。 BESはノード分類におけるGCN性能を平均3.3%向上させ(WikiCSでは最大5.0%)、リンク予測において優れた精度を実現する。
参考スコア（独自算出の注目度）: 26.392300778291908
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graph neural networks (GNNs) excel at aggregating neighbor information for classification, yet their performance is hindered by graph structural entanglement, where spurious correlations from semantically irrelevant neighbors contaminate node embeddings. This challenge is most acute for nodes near class boundaries in the embedding space, where amplified structural noise blurs decision boundaries and destabilizes predictions. Existing robust GNN methods largely treat all nodes uniformly, ignoring boundary vulnerabilities. In this paper, to improve classification performance, we tackle graph structural disentanglement by identifying boundary-region entanglement as the primary bottleneck and propose Boundary Embedding Shaping (BES), an adaptive contrastive learning GNN plug-in module that selectively suppresses spurious structural noise at decision boundaries with minimal model parameter perturbation. Extensive experiments demonstrate that BES consistently improves boundary discrimination and outperforms existing leading methods. Notably, BES boosts GCN performance by an average of 3.3% in node classification (up to 5.0% on WikiCS) and achieves superior accuracy in link prediction.
Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、近隣情報を分類するために集約することに優れていますが、その性能はグラフ構造の絡み合いによって妨げられています。組込み空間のクラス境界に近いノードでは、増幅された構造ノイズが決定境界を曖昧にし、予測を不安定にする。既存の堅牢なGNNメソッドは、境界の脆弱性を無視して、ほとんどすべてのノードを均一に扱う。本稿では,分類性能を向上させるために,境界領域の絡み合いを主要なボトルネックとして同定し,最小モデルパラメータ摂動による決定境界における突発的構造ノイズを選択的に抑制する適応型コントラスト学習GNNプラグインモジュールである境界埋め込み整形(BES)を提案する。大規模な実験により、BESは境界の識別を一貫して改善し、既存の先行手法より優れていることが示された。特に、BESはGCNのパフォーマンスを平均3.3%向上させる(WikiCSでは最大5.0%)。

関連論文リスト

GJDNet: Robust Graph Neural Networks via Joint Disentangled Learning Against Adversarial Attacks [5.871974743871104]
グラフニューラルネットワーク(GNN)は、非競合エッジを導入することで本質的に接続パターンを反転させる敵攻撃に対して脆弱である。本稿では,グラフ・コンジョイント・ディスタングルメント・ネットワーク(GJDNet)を提案する。
論文参考訳（メタデータ） (2026-06-01T02:05:40Z)
Cross-attentive Cohesive Subgraph Embedding to Mitigate Oversquashing in GNNs [0.8188197619481464]
グラフニューラルネットワーク(GNN)は、さまざまな現実世界のドメインで強力なパフォーマンスを実現している。長距離情報は、制限されたメッセージパッシング経路を通じて圧縮されるため、ゆがめられる。本稿では,クロスアテンティブな結合グラフ表現によるノード埋め込みを充実させる新しいグラフ学習フレームワークを提案する。
論文参考訳（メタデータ） (2026-03-29T05:43:29Z)
Limits of message passing for node classification: How class-bottlenecks restrict signal-to-noise ratio [0.6117371161379209]
メッセージパッシングニューラルネットワーク(MPNN)はノード分類の強力なモデルであるが、グラフのヘテロフィリーおよび構造的ボトルネックの下でのパフォーマンス制限に悩まされている。本稿では,MPNN表現の信号対雑音比(SNR)を用いて,ヘテロフィリとボトルネックの関係を明らかにする。高次ホモフィリーを最大化するための最適グラフ構造は、単クラスおよび二クラス二部体の解離結合であることを示す。これにより、全てのホモフィリーにおけるほぼ完璧な分類精度を達成するグラフアンサンブルに基づく再配線アルゴリズムBRIDGEが得られる。
論文参考訳（メタデータ） (2025-08-25T09:25:14Z)
ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
論文参考訳（メタデータ） (2025-07-19T04:46:53Z)
Robust Learning on Noisy Graphs via Latent Space Constraints with External Knowledge [0.9320657506524149]
本稿では,Latent Space Constrained Graph Neural Networks (LSC-GNN) を提案する。ベンチマークデータセットの実験では、LSC-GNNは標準よりも優れており、ノイズ耐性のGNNは中程度のノイズを受ける。以上の結果から,LSC-GNNがノイズのあるリレーショナル構造を持つ環境での予測性能と解釈可能性を高める可能性を強調した。
論文参考訳（メタデータ） (2025-07-07T23:43:24Z)
Residual Reweighted Conformal Prediction for Graph Neural Networks [14.329186221388087]
グラフニューラルネットワーク(GNN)は、データモデリングに優れていますが、不確実性のため、高い領域で重大な課題に直面しています。本稿では,最小限の予測セットを生成するためのフレームワークであるResidual Reweighted GNN (RR-GNN)を提案する。 RR-GNNは最先端の手法よりも効率が良く、カバー範囲が失われることはない。
論文参考訳（メタデータ） (2025-06-09T15:19:17Z)
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)
Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
論文参考訳（メタデータ） (2024-11-21T14:19:32Z)
Deep Graph Neural Networks via Posteriori-Sampling-based Node-Adaptive Residual Module [65.81781176362848]
グラフニューラルネットワーク(GNN)は、近隣情報収集を通じてグラフ構造化データから学習することができる。レイヤーの数が増えるにつれて、ノード表現は区別不能になり、オーバー・スムーシング(over-smoothing)と呼ばれる。我々は,textbfPosterior-Sampling-based, Node-distinguish Residual Module (PSNR)を提案する。
論文参考訳（メタデータ） (2023-05-09T12:03:42Z)
Exploiting Neighbor Effect: Conv-Agnostic GNNs Framework for Graphs with Heterophily [58.76759997223951]
我々はフォン・ノイマンエントロピーに基づく新しい計量を提案し、GNNのヘテロフィリー問題を再検討する。また、異種データセット上でのほとんどのGNNの性能を高めるために、Conv-Agnostic GNNフレームワーク(CAGNN)を提案する。
論文参考訳（メタデータ） (2022-03-19T14:26:43Z)
Cyclic Label Propagation for Graph Semi-supervised Learning [52.102251202186025]
本稿では,CycPropと呼ばれるグラフ半教師付き学習のための新しいフレームワークを提案する。 CycPropはGNNを周期的かつ相互に強化された方法でラベル伝播の過程に統合する。特に,提案するCycPropでは,GNNモジュールが学習したノード埋め込みをラベル伝搬による拡張情報で更新する。
論文参考訳（メタデータ） (2020-11-24T02:55:40Z)

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。