論文の概要: Heterogeneous Graph Condensation via Role-Aware Clustering

• arxiv url: http://arxiv.org/abs/2607.03097v1
• Date: Fri, 03 Jul 2026 08:34:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.519493
• Title: Heterogeneous Graph Condensation via Role-Aware Clustering
• Title（参考訳）: ロール・アウェア・クラスタリングによる不均一グラフ凝縮
• Authors: Fuyan Ou, Yulin Hu, Ye Yuan,
• Abstract要約: HGC-RCは、単純で効果的なロールアウェアなヘテロジニアスグラフ凝縮フレームワークである。 具体的には、HGC-RCはまず、軽量な伝搬を通して意味的に強化されたノード埋め込みを抽出する。 次に、クラス分散を保存するロールアウェアなハイブリッドクラスタリング戦略と、非ターゲットノードに対する教師なし型のクラスタリングを導入している。
• 参考スコア（独自算出の注目度）: 22.24436628820291
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Heterogeneous Graph Neural Networks (HGNNs) have exhibited remarkable efficacy in modeling complex systems with multiple types of nodes and relations, yet their training on large-scale heterogeneous graphs remains computationally prohibitive. Although graph condensation methods can effectively improve learning efficiency on large-scale graphs, existing condensation processes are mainly designed for homogeneous graphs and typically rely on computationally expensive gradient matching or bilevel optimization paradigms, rendering them impractical for heterogeneous settings. To address these limitations, we propose HGC-RC, a simple yet effective role-aware heterogeneous graph condensation framework. Specifically, HGC-RC first extracts semantically enhanced node embeddings via lightweight propagation. It then introduces a role-aware hybrid clustering strategy consisting of class-partitioned clustering for labeled target nodes to preserve class distributions and unsupervised type-wise clustering for non-target nodes to retain critical cross-type connectivity. Finally, a compact heterogeneous graph is efficiently reconstructed based on the resulting cluster assignments. Extensive experiments demonstrate that HGC-RC outperforms state-of-the-art baselines, offering a practical pathway to accelerate HGNN training on large-scale heterogeneous graphs without sacrificing task performance
• Abstract（参考訳）: Heterogeneous Graph Neural Networks (HGNNs) は、複数のノードと関係を持つ複雑なシステムのモデリングにおいて顕著な効果を示したが、大規模不均一グラフのトレーニングは計算的に禁止されている。 グラフ凝縮法は大規模グラフの学習効率を効果的に向上させることができるが、既存の凝縮法は主に均質グラフ用に設計されており、計算コストのかかる勾配マッチングや双レベル最適化のパラダイムに依存しており、不均一な設定では実用的ではない。 これらの制約に対処するために、単純かつ効果的にロール対応のヘテロジニアスグラフ凝縮フレームワークであるHGC-RCを提案する。 具体的には、HGC-RCはまず、軽量な伝搬を通して意味的に強化されたノード埋め込みを抽出する。 次に、ラベル付きターゲットノードのためのクラス分割クラスタリングと、重要なクロスタイプ接続を維持するために非ターゲットノードのための教師なしタイプワイドクラスタリングからなるロール対応ハイブリッドクラスタリング戦略を導入する。 最後に、結果として生じるクラスタ割り当てに基づいて、コンパクトな異種グラフを効率的に再構成する。 HGC-RCは、タスク性能を犠牲にすることなく、大規模不均一グラフ上でHGNNトレーニングを加速するための実践的な経路を提供する、最先端のベースラインよりも優れていることを示す大規模な実験

関連論文リスト

• An Efficient and Scalable Graph Condensation with Structure-Preserving [22.24436628820291]
  グラフ凝縮(GC)は、リソース制約のあるシナリオにおけるグラフニューラルネットワーク(GNN)のデプロイを可能にするための重要な手段である。 既存のGC手法は、最適化とGNNアーキテクチャ間の一般化が不十分なため、計算不効率に悩まされることが多い。 本研究では,グラフ構造生成からノード凝縮を分離する構造保存(SP-ESGC)を用いた効率的なグラフ凝縮法を提案する。
  論文  参考訳（メタデータ） (2026-05-29T08:49:17Z)
• HGC-Herd: Efficient Heterogeneous Graph Condensation via Representative Node Herding [17.632566656960673]
  ヘテロジニアスグラフニューラルネットワーク(HGNN)は、多型ノード間の複雑なセマンティクスや関係をモデル化する強力な能力を示している。 HGC-Herdは、コンパクトだが情報に富む異種グラフを生成する訓練不要な凝縮フレームワークである。 ACM、DBLP、Freebaseに関する大規模な実験により、HGC-Herdはフルグラフトレーニングに匹敵するあるいは優れた精度が得られることが確認された。
  論文  参考訳（メタデータ） (2025-12-08T09:24:48Z)
• Adaptive Homophily Clustering: Structure Homophily Graph Learning with Adaptive Filter for Hyperspectral Image [21.709368882043897]
  ハイパースペクトル画像(HSI)クラスタリングは、ゼロトレーニングラベルによる基本的だが難しい課題である。 本稿では,HSIのための適応フィルタクラスタリング法(AHSGC)を用いたホモフィリ構造グラフ学習を提案する。 AHSGCには高いクラスタリング精度、低い計算複雑性、強い堅牢性が含まれています。
  論文  参考訳（メタデータ） (2025-01-03T01:54:16Z)
• 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)
• Training-free Heterogeneous Graph Condensation via Data Selection [74.06562124781104]
  本稿では, 高速かつ高品質な不均質凝縮グラフ生成を容易にする, FreeHGC と呼ばれる, 基礎となる不均質グラフ凝縮法について紹介する。 具体的には、不均質グラフの凝縮問題をデータ選択問題として再構成し、不均質グラフにおける代表ノードとエッジを評価し、凝縮するための新たな視点を提供する。
  論文  参考訳（メタデータ） (2024-12-20T02:49:32Z)
• Rethinking and Accelerating Graph Condensation: A Training-Free Approach with Class Partition [49.41718583061147]
  グラフ凝縮(Graph condensation)は、大きなグラフを小さいが情報的な凝縮グラフに置き換えるための、データ中心のソリューションである。 既存のGCメソッドは、複雑な最適化プロセス、過剰なコンピューティングリソースとトレーニング時間を必要とする。 我々は、CGC(Class-partitioned Graph Condensation)と呼ばれるトレーニング不要なGCフレームワークを提案する。 CGCはOgbn-productsグラフを30秒以内に凝縮し、102$Xから104$Xまでのスピードアップを実現し、精度は4.2%まで向上した。
  論文  参考訳（メタデータ） (2024-05-22T14:57:09Z)
• Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
  本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。 提案されたSSCAGは最先端のアプローチと競合する。
  論文  参考訳（メタデータ） (2021-04-24T08:09:27Z)

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。