Fugu-MT 論文翻訳(概要): SAOT: Self-Supervised Continual Graph Learning with Structure-Aware Optimal Transport

論文の概要: SAOT: Self-Supervised Continual Graph Learning with Structure-Aware Optimal Transport

arxiv url: http://arxiv.org/abs/2607.00377v1
Date: Wed, 01 Jul 2026 03:21:23 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-02 19:56:07.702135
Title: SAOT: Self-Supervised Continual Graph Learning with Structure-Aware Optimal Transport
Title（参考訳）: SAOT: 構造を考慮した最適移動を用いた自己教師付き連続グラフ学習
Abstract要約: 自己教師付き連続グラフ学習(CGL)は、ラベルの監督なしに、異なるタスクを持つグラフシーケンスから連続的に学習することを目的としている。既存の自己管理手法の多くは、個々のノード(またはノードペア)埋め込みの安定性を強制するインスタンスレベルの一貫性の目標に依存している。
参考スコア（独自算出の注目度）: 35.822409009079955
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Self-supervised Continual Graph Learning (CGL) aims to successively learn from a graph sequence with different tasks without label supervision - a paradigm that has attracted widespread attention. Most existing self-supervised CGL methods rely on instance-level consistency objectives that enforce stability of individual node (or node-pair) embeddings. Due to optimizing nodes in isolation, these methods fail to maintain global relational structure, causing inter-node correspondences to progressively distort under continual learning. To this end, we propose a novel Structure-Aware Optimal Transport (SAOT) framework that explicitly captures and preserves relational structure within graph representations across sequential tasks. Specifically, SAOT leverages optimal transport theory to capture global inter-node correspondences, thereby facilitating and enhancing graph representation learning. Simultaneously, SAOT incorporates a cross-task knowledge distillation mechanism to preserve the previous structural knowledge. Extensive experiments on four CGL benchmark datasets demonstrate that SAOT outperforms existing self-supervised baselines. In particular, SAOT achieves significant performance gains, improving average accuracy by up to 5% on CoraFull-CL and over 15% on Products-CL compared with state-of-the-art methods in the Class-IL setting.
Abstract（参考訳）: 自己監督型連続グラフ学習(CGL)は、ラベル管理なしで異なるタスクのグラフシーケンスから連続的に学習することを目的としている。既存の自己管理型CGLメソッドの多くは、個々のノード(またはノードペア)埋め込みの安定性を強制するインスタンスレベルの一貫性の目標に依存している。ノードを独立に最適化するため、これらの手法はグローバルなリレーショナル構造を維持することができず、ノード間通信は継続的な学習の下で徐々に歪む。そこで本研究では,連続タスク間のグラフ表現内でのリレーショナル構造を明示的にキャプチャし,保存する構造対応最適輸送(SAOT)フレームワークを提案する。特に、SAOTは最適な輸送理論を利用して、グローバルなノード間通信を捕捉し、グラフ表現学習を容易にし、拡張する。同時に、SAOTは以前の構造的知識を保存するために、クロスタスクの知識蒸留機構を組み込んでいる。 4つのCGLベンチマークデータセットに対する大規模な実験は、SAOTが既存の自己教師付きベースラインを上回っていることを示している。特にSAOTは、ColaFull-CLでは5%、Products-CLでは15%の精度向上を実現している。

関連論文リスト

Autonomous Chain-of-Thought Distillation for Graph-Based Fraud Detection [73.9189065770752]
テキスト分散グラフ(TAG)上のグラフベースの不正検出には、リッチテキストセマンティクスとリレーショナル依存関係を共同でモデル化する必要がある。我々は,自律型グラフ認識チェーン(CoT)推論とスケーラブルなLLM-GNN協調学習を通じて,TAGに基づく不正検出を促進する統一フレームワークであるFraudCoTを提案する。
論文参考訳（メタデータ） (2026-01-30T13:12:12Z)
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)
Graph Structure Learning with Temporal Graph Information Bottleneck for Inductive Representation Learning [1.3728301825671199]
グラフ構造学習(GSL)と時間グラフ情報ボット(TGIB)を統合する汎用フレームワークを提案する。ノード近傍を拡張・最適化する2段階のGSL構造拡張器を設計する。 TGIBは、情報ボトルネックの原則を時間グラフに拡張し、エッジと機能の両方を正規化することで、最適化されたグラフを洗練する。
論文参考訳（メタデータ） (2025-08-20T17:13:19Z)
Towards Improving Long-Tail Entity Predictions in Temporal Knowledge Graphs through Global Similarity and Weighted Sampling [53.11315884128402]
時間知識グラフ(TKG)補完モデルは、伝統的にトレーニング中にグラフ全体へのアクセスを前提としている。本稿では,TKGに特化して設計されたインクリメンタルトレーニングフレームワークを提案する。提案手法は,モデルに依存しない拡張層と加重サンプリング戦略を組み合わせることで,既存のTKG補完手法を拡張および改善することができる。
論文参考訳（メタデータ） (2025-07-25T06:02:48Z)
Self-Supervised Graph Learning via Spectral Bootstrapping and Laplacian-Based Augmentations [1.0377683220196872]
本稿では,新しいグラフ学習フレームワークLaplaceGNNを紹介する。本手法は学習過程にラプラシアンに基づく信号を統合する。 LaplaceGNNは最先端の自己教師付きグラフ法に比べて優れた性能を発揮する。
論文参考訳（メタデータ） (2025-06-25T12:23:23Z)
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)
Self-Supervised Contrastive Graph Clustering Network via Structural Information Fusion [15.293684479404092]
CGCNと呼ばれる新しいディープグラフクラスタリング手法を提案する。提案手法では,事前学習プロセスにコントラスト信号と深部構造情報を導入している。本手法は,複数の実世界のグラフデータセットに対して実験的に検証されている。
論文参考訳（メタデータ） (2024-08-08T09:49:26Z)
GraphLearner: Graph Node Clustering with Fully Learnable Augmentation [76.63963385662426]
Contrastive Deep Graph Clustering (CDGC)は、異なるクラスタにノードをグループ化するために、コントラスト学習のパワーを活用する。我々は、GraphLearnerと呼ばれる、完全学習可能な拡張を備えたグラフノードクラスタリングを提案する。学習可能な拡張器を導入し、CDGCのための高品質でタスク固有の拡張サンプルを生成する。
論文参考訳（メタデータ） (2022-12-07T10:19:39Z)
Self-Supervised Graph Structure Refinement for Graph Neural Networks [31.924317784535155]
グラフ構造学習(GSL)はグラフニューラルネットワーク(GNN)の隣接行列の学習を目的としている既存のGSLの作業の多くは、推定隣接行列とGNNパラメータを下流タスクに最適化した共同学習フレームワークを適用している。プレトレイン-ファインチューンパイプラインを用いたグラフ構造改善(GSR)フレームワークを提案する。
論文参考訳（メタデータ） (2022-11-12T02:01:46Z)
Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
論文参考訳（メタデータ） (2022-01-17T11:57:29Z)
Iterative Deep Graph Learning for Graph Neural Networks: Better and Robust Node Embeddings [53.58077686470096]
グラフ構造とグラフ埋め込みを協調的かつ反復的に学習するための、エンドツーエンドのグラフ学習フレームワーク、すなわち、IDGL(Iterative Deep Graph Learning)を提案する。実験の結果,提案したIDGLモデルは,最先端のベースラインを一貫して上回る,あるいは一致させることができることがわかった。
論文参考訳（メタデータ） (2020-06-21T19:49:15Z)

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。