Fugu-MT 論文翻訳(概要): Structure-Feature Aligned Graph Learning via Alternating Constrained Optimization

論文の概要: Structure-Feature Aligned Graph Learning via Alternating Constrained Optimization

arxiv url: http://arxiv.org/abs/2607.11577v1
Date: Mon, 13 Jul 2026 13:58:52 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-14 17:47:21.496375
Title: Structure-Feature Aligned Graph Learning via Alternating Constrained Optimization
Title（参考訳）: 交互制約最適化による構造特徴付きグラフ学習
Abstract要約: 本稿では,構造条件付きGNN埋め込みと,アンカーモデルで事前に学習されていた構造自由機能とを一致させる,ノード予測のための制約付き2ビューフレームワークを提案する。また,グローバルスペクトル平滑化と局所空間識別の表現をノードワイズゲーティング機構により動的にルーティングするChannel-Split Adaptive Gated GNN (CSAG-GNN)を提案する。
参考スコア（独自算出の注目度）: 7.881713230406407
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce a constrained two-view framework for node prediction that aligns structure-conditioned GNN embeddings with a structure-free feature prior learned by an anchor model. Conventional Graph Neural Networks (GNNs) couple feature transformation and neighborhood aggregation, which renders them vulnerable to topology noise and heterophilous connections. To decouple this dependency, our framework utilizes an independent anchor network to capture intrinsic attribute features via a self-supervised reconstruction objective. Furthermore, we propose a Channel-Split Adaptive Gated GNN (CSAG-GNN) that dynamically routes representations between global spectral smoothing and local spatial discrimination through a node-wise gating mechanism. We propose a stable cyclic alternating optimization strategy to solve the resulting coupled bi-level objective, preventing mutual representation drift during training. Empirical results on both homophilous and heterophilous benchmarks show balanced performance gains and structural robustness over competitive baselines.
Abstract（参考訳）: 本稿では,構造条件付きGNN埋め込みと,アンカーモデルで事前に学習されていた構造自由機能とを整列するノード予測のための制約付き2ビューフレームワークを提案する。従来のグラフニューラルネットワーク(GNN)は特徴変換と近傍集約を組み合わせ、トポロジノイズや異種接続に弱い。この依存関係を分離するために,本フレームワークでは,独立したアンカーネットワークを用いて,自己監督的再構成目的を通じて固有の属性特徴をキャプチャする。さらに,グローバルスペクトル平滑化と局所空間識別の表現をノードワイズゲーティング機構により動的にルーティングするChannel-Split Adaptive Gated GNN (CSAG-GNN)を提案する。そこで本研究では,2段階の連成目的を解くための安定な周期交互最適化手法を提案し,訓練中の相互表現のドリフトを防止する。ホモ親和性ベンチマークとヘテロ親和性ベンチマークの実証結果は、競合するベースラインよりもバランスの取れた性能向上と構造的堅牢性を示している。

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)
Beyond Point-Wise Matching: Structural Representation Alignment for Accelerating Diffusion Transformers [93.3976834364707]
本稿では,特徴写像のリレーショナル幾何における整合性を実現する構造的RePresentation AlignmentフレームワークであるsREPAを提案する。モデルが事前訓練された特徴から全体的空間配置と構造的相関を内包するように促すことにより、sREPAはより高速でより安定した収束を達成する。
論文参考訳（メタデータ） (2026-05-16T12:01:04Z)
AdvSynGNN: Structure-Adaptive Graph Neural Nets via Adversarial Synthesis and Self-Corrective Propagation [8.765438402697892]
グラフニューラルネットワークは、構造ノイズや非ホモフィル性トポロジーに直面すると、しばしば顕著な性能劣化に遭遇する。本稿では、耐性のあるノードレベルの表現学習のために設計された包括的アーキテクチャであるAdvSynGNNを提案する。
論文参考訳（メタデータ） (2026-02-19T04:26:57Z)
Parameter-Free Structural-Diversity Message Passing for Graph Neural Networks [8.462209415744098]
グラフニューラルネットワーク(GNN)はノード分類などの構造化データモデリングタスクにおいて顕著な性能を示した。本稿では,構造的多様性に基づくパラメータフリー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。このフレームワークは構造多様性理論にインスパイアされ、統一された構造多様性メッセージパッシング機構を設計する。
論文参考訳（メタデータ） (2025-08-27T13:42:45Z)
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)
COMBINEX: A Unified Counterfactual Explainer for Graph Neural Networks via Node Feature and Structural Perturbations [6.894071825948456]
我々は,ノード分類タスクとグラフ分類タスクの両方に対して,対実的な説明を生成する新しいGNN説明器であるCOMBINEXを提案する。構造的および特徴に基づく変更を独立に扱う従来の方法とは異なり、COMBINEXはエッジとノードの特徴への修正を最適にバランスする。この統一されたアプローチは、モデルの予測を反転させるために必要な最小限かつ効果的な変更を保証し、現実的で解釈可能な反事実をもたらす。
論文参考訳（メタデータ） (2025-02-14T12:17:24Z)
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)
Matcha: Mitigating Graph Structure Shifts with Test-Time Adaptation [66.40525136929398]
テスト時間適応(TTA)は、ソースドメインに再アクセスすることなく、トレーニング済みのモデルをターゲットドメインに適応できる能力によって注目を集めている。グラフの構造シフトへの効果的かつ効率的な適応を目的とした,革新的なフレームワークであるMatchaを提案する。合成と実世界の両方のデータセットに対するMatchaの有効性を検証し、構造と属性シフトの様々な組み合わせにおける頑健さを実証した。
論文参考訳（メタデータ） (2024-10-09T15:15:40Z)
ASGNN: Graph Neural Networks with Adaptive Structure [41.83813812538167]
本稿では,アダプティブ構造(ASMP)を用いた新しい解釈可能なメッセージパッシング方式を提案する。 ASMPは、異なるレイヤにおけるメッセージパッシングプロセスが動的に調整されたグラフ上で実行可能であるという意味で適応的である。
論文参考訳（メタデータ） (2022-10-03T15:10:40Z)
Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
論文参考訳（メタデータ） (2022-06-06T14:26:34Z)
A Variational Edge Partition Model for Supervised Graph Representation Learning [51.30365677476971]
本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
論文参考訳（メタデータ） (2022-02-07T14:37:50Z)
Link Prediction with Contextualized Self-Supervision [63.25455976593081]
リンク予測は、ネットワーク内の2つのノード間のリンクの存在を推測することを目的としている。従来のリンク予測アルゴリズムは、リンク空間、ノード属性ノイズ、ネットワークダイナミクスという3つの大きな課題によって妨げられている。本稿では,リンク予測のための構造的コンテキスト予測を完全に活用する,コンテキスト適応型自己監視学習フレームワークを提案する。
論文参考訳（メタデータ） (2022-01-25T03:12:32Z)

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。