Fugu-MT 論文翻訳(概要): ModTGCN: Modularity-aware Graph Neural Networks for Text Classification

論文の概要: ModTGCN: Modularity-aware Graph Neural Networks for Text Classification

arxiv url: http://arxiv.org/abs/2606.23694v1
Date: Wed, 29 Apr 2026 10:36:36 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-27 00:46:12.928726
Title: ModTGCN: Modularity-aware Graph Neural Networks for Text Classification
Title（参考訳）: ModTGCN:テキスト分類のためのモジュール性を考慮したグラフニューラルネットワーク
Abstract要約: ModTGCNは、テキスト分類のためのモジュラリティ対応グラフニューラルネットワークである。スケーラビリティを向上させるために、元の異種TextGCNグラフを文書語とワード語に分離する。 5つのベンチマークの実験では、複雑で低ホモフィリーなデータセットが大幅に改善され、一貫した利得を示している。
参考スコア（独自算出の注目度）: 1.9032628520534345
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Graph-based text classification models typically rely on local neighborhood aggregation and overlook global community structure, despite semantic document graphs exhibiting strong class-consistent clustering. Ignoring this can blur class boundaries and lead to over-smoothing. We propose ModTGCN, a modularity-aware graph neural network for text classification that jointly optimizes cross-entropy and a modularity-based auxiliary objective to promote class-coherent document communities while preserving discriminative representations. The modularity term is computed on a document-document similarity graph derived from transformer embeddings (pretrained or fine-tuned). To improve scalability, we decouple the original heterogeneous TextGCN graph into separate document-word and word-word components, achieving 2x-10x faster training. We further study graph construction strategies, label-aware edge reweighting, and supervision choices for modularity optimization. Experiments on five benchmarks show consistent gains, with larger improvements on complex, low homophily datasets such as Ohsumed and 20NG.
Abstract（参考訳）: グラフベースのテキスト分類モデルは、強いクラス一貫性のクラスタリングを示すセマンティック文書グラフにもかかわらず、通常、局所的な近隣の集約とグローバルなコミュニティ構造に依存している。これを無視すると、クラスの境界が曖昧になり、過剰なスムーシングにつながる可能性がある。テキスト分類のためのモジュラリティ対応グラフニューラルネットワークであるModTGCNを提案する。モジュラリティ項は、変換器の埋め込み(事前訓練または微調整)に由来する文書文書類似性グラフ上で計算される。拡張性を向上させるため、元の異種TextGCNグラフを文書語と単語語コンポーネントに分離し、2x-10倍高速なトレーニングを実現する。さらに,グラフ構築戦略,ラベル対応エッジ再重み付け,モジュール性最適化のための監督選択について検討する。 5つのベンチマークの実験では、Owsumedや20NGのような複雑な低ホモフィリーデータセットが大幅に改善され、一貫した利得を示している。

関連論文リスト

Training A Foundation Model to Represent Graphs as Vectors [24.592499205332413]
本稿では,任意のグラフを意味情報を保存するベクトルとして表現できるグラフ基盤モデルを訓練することを目的とする。提案モデルの有効性を裏付ける理論的な一般化を提供する。数ショットのグラフ分類とグラフクラスタリングによる実験結果から,我々のモデルは強いベースラインよりも優れていることが示された。
論文参考訳（メタデータ） (2026-02-04T06:06:28Z)
GILT: An LLM-Free, Tuning-Free Graph Foundational Model for In-Context Learning [50.40400074353263]
グラフニューラルネットワーク(GNN)は、リレーショナルデータを先行する強力なツールであるが、しばしば目に見えないグラフに一般化するのに苦労する。 textbfGraph textbfIn-context textbfL textbfTransformer (GILT)を導入する。
論文参考訳（メタデータ） (2025-10-06T08:09:15Z)
Synergistic Deep Graph Clustering Network [14.569867830074292]
我々はSynC(Syngistic Deep Graph Clustering Network)というグラフクラスタリングフレームワークを提案する。本稿では,構造拡張を導くための高品質な埋め込みを実現するために,TIGAE (Transform Input Graph Auto-Encoder) を設計する。特に、表現学習と構造増強は重みを共有し、モデルパラメータの数を著しく減少させる。
論文参考訳（メタデータ） (2024-06-22T09:40:34Z)
A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
論文参考訳（メタデータ） (2024-06-19T22:30:08Z)
M3C: A Framework towards Convergent, Flexible, and Unsupervised Learning of Mixture Graph Matching and Clustering [57.947071423091415]
本稿では,理論収束を保証する学習自由度アルゴリズムであるM3Cを提案する。我々は、新しいエッジワイド親和性学習と擬似ラベル選択を組み込んだ教師なしモデルUM3Cを開発した。提案手法は,最先端のグラフマッチングと混合グラフマッチングとクラスタリングの手法を精度と効率の両面で優れている。
論文参考訳（メタデータ） (2023-10-27T19:40:34Z)
Sparse Structure Learning via Graph Neural Networks for Inductive Document Classification [2.064612766965483]
帰納的文書分類のための新しいGNNに基づくスパース構造学習モデルを提案する。本モデルでは,文間の不連続な単語を接続する訓練可能なエッジの集合を収集し,動的文脈依存性を持つエッジを疎結合に選択するために構造学習を用いる。いくつかの実世界のデータセットの実験では、提案されたモデルがほとんどの最先端の結果より優れていることが示されている。
論文参考訳（メタデータ） (2021-12-13T02:36:04Z)
GraphFormers: GNN-nested Transformers for Representation Learning on Textual Graph [53.70520466556453]
階層的にGNNコンポーネントを言語モデルのトランスフォーマーブロックと一緒にネストするGraphFormerを提案する。提案したアーキテクチャでは、テキストエンコーディングとグラフ集約を反復的なワークフローに融合する。さらに、プログレッシブ・ラーニング・ストラテジーを導入し、そのモデルが操作されたデータと元のデータに基づいて連続的に訓練され、グラフ上の情報を統合する能力を強化する。
論文参考訳（メタデータ） (2021-05-06T12:20:41Z)
CommPOOL: An Interpretable Graph Pooling Framework for Hierarchical Graph Representation Learning [74.90535111881358]
新しい解釈可能なグラフプーリングフレームワークである CommPOOL を提案します。グラフ表現学習プロセスにおいて、グラフの階層的なコミュニティ構造をキャプチャし、保存することができる。 CommPOOLは階層グラフ表現学習のための汎用的で柔軟なフレームワークです。
論文参考訳（メタデータ） (2020-12-10T21:14:18Z)
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)
Multivariate Time Series Classification with Hierarchical Variational Graph Pooling [23.66868187446734]
既存のディープラーニングに基づくMTSC技術は、主に単一時系列の時間依存性に関係している。 MTSの表現的グローバル表現を得るために,グラフプーリングに基づく新しいフレームワークMTPoolを提案する。 10のベンチマークデータセットの実験では、MTSCタスクでMTPoolが最先端の戦略を上回っている。
論文参考訳（メタデータ） (2020-10-12T12:36:47Z)
Structured Graph Learning for Clustering and Semi-supervised Classification [74.35376212789132]
データの局所構造とグローバル構造の両方を保存するためのグラフ学習フレームワークを提案する。本手法は, サンプルの自己表現性を利用して, 局所構造を尊重するために, 大域的構造と適応的隣接アプローチを捉える。我々のモデルは、ある条件下でのカーネルk平均法とk平均法の組合せと等価である。
論文参考訳（メタデータ） (2020-08-31T08:41:20Z)

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。