論文の概要: HP-JEPA: Hierarchical Partitioning for Multi-Resolution Graph Joint-Embedding Predictive Learning

• arxiv url: http://arxiv.org/abs/2608.00491v1
• Date: Sat, 01 Aug 2026 07:28:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.725092
• Title: HP-JEPA: Hierarchical Partitioning for Multi-Resolution Graph Joint-Embedding Predictive Learning
• Title（参考訳）: HP-JEPA:マルチリゾリューショングラフ統合組込み予測学習のための階層的分割
• Abstract要約: グラフ自己教師型学習は、大規模未ラベルグラフデータから転送可能な表現を学習することを目的としている。 JEPA(Joint-embedding predictive Architectures)は、マスクされたターゲットを直接潜在空間内で予測することで、明示的な負対の構成や生のインプットの再構築を避ける。 マルチレゾリューショングラフの共同埋め込み予測のための階層的分割フレームワークHP-JEPAを提案する。
• 参考スコア（独自算出の注目度）: 42.31851184912837
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph self-supervised learning aims to learn transferable representations from large-scale unlabeled graph data. Joint-embedding predictive architectures (JEPAs) avoid explicit negative-pair construction and raw-input reconstruction by predicting masked targets directly in latent space. However, existing graph JEPAs typically rely on a single predefined graph partition, biasing the learned representations toward one structural granularity and limiting their ability to capture complementary patterns at different graph scales. To address this limitation, we propose HP-JEPA, a hierarchical partitioning framework for multi-resolution graph joint-embedding prediction. HP-JEPA organizes each graph into an ordered bank of coarse-to-fine partition resolutions and performs context-target latent prediction separately at each resolution using an online encoder, an exponential-moving-average target encoder, and a latent predictor. The resulting resolution-specific graph representations are subsequently integrated through concatenation or task-specific resolution weighting, allowing downstream models to combine complementary local, regional, and global structural information. Experiments on seven graph classification benchmarks and one graph regression benchmark show that HP-JEPA outperforms the fixed-resolution Graph-JEPA baseline on 6 of 8 tasks, improving upon Graph-JEPA on most evaluated benchmarks. Size-stratified analyses further show that HP-JEPA achieves higher accuracy than Graph-JEPA in most evaluated graph-size quartiles on three representative datasets. These results highlight the effectiveness of hierarchical multi-resolution partitioning for transferable graph representation learning.
• Abstract（参考訳）: グラフ自己教師型学習は、大規模未ラベルグラフデータから転送可能な表現を学習することを目的としている。 JEPA(Joint-embedding predictive Architectures)は、マスクされたターゲットを直接潜在空間内で予測することで、明示的な負対の構成や生のインプットの再構築を避ける。 しかし、既存のグラフ JEPAは通常、単一の事前定義されたグラフ分割に依存し、学習した表現を1つの構造的な粒度に偏り、異なるグラフスケールで補完的なパターンをキャプチャする能力を制限する。 この制限に対処するため,マルチレゾリューショングラフの共同埋め込み予測のための階層的分割フレームワークHP-JEPAを提案する。 HP-JEPAは、各グラフを粗い分割分解の順序付きバンクに整理し、オンラインエンコーダ、指数移動平均目標エンコーダ、潜在予測器を用いて、各解像度で個別にコンテキスト目標潜在予測を行う。 結果として得られる分解能特異的グラフ表現は、結合やタスク固有の分解能重み付けによって統合され、下流のモデルが補完的な局所的、局所的、大域的な構造情報を組み合わせることができる。 7つのグラフ分類ベンチマークと1つのグラフ回帰ベンチマークの実験では、HP-JEPAは8つのタスクのうち6つのタスクにおいて、固定解像度のGraph-JEPAベースラインよりも優れており、最も評価されたベンチマークではGraph-JEPAが改善されている。 さらに,HP-JEPAは3つの代表的なデータセット上で最も評価されたグラフサイズ準位において,グラフJEPAよりも高い精度を達成していることを示す。 これらの結果は,伝達可能なグラフ表現学習における階層的多分解分割の有効性を浮き彫りにした。

関連論文リスト

• Scalable and Efficient Joint Spiking Embedding Predictive Architecture for Large-Scale Dynamic Graphs [43.39867023055097]
  SG-JEPAは,大規模動的グラフのための連成スパイキング埋め込み予測アーキテクチャである。 SG-JEPAはノードを時間次元に沿ってコンテキストとターゲットセットに分割し、互いに予測可能な埋め込みを学ぶ。 実験により、SG-JEPAはノード分類における差別的ベースラインよりも競争力や優れた性能を達成できることが示された。
  論文  参考訳（メタデータ） (2026-07-20T18:02:04Z)
• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• Graph-level Representation Learning with Joint-Embedding Predictive Architectures [43.89120279424267]
  JEPA(Joint-Embedding Predictive Architectures)は、自己指導型表現学習の斬新で強力な技術である。 グラフ結合埋め込み予測アーキテクチャ(Graph-JEPA)を提案することにより、このパラダイムを用いてグラフレベルの表現を効果的にモデル化できることを示す。 特に、マスク付きモデリングを採用し、コンテキストサブグラフの潜時表現から始まるマスク付きサブグラフの潜時表現を予測することに焦点をあてる。
  論文  参考訳（メタデータ） (2023-09-27T20:42:02Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
  グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。 本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T02:58:36Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Diversified Multiscale Graph Learning with Graph Self-Correction [55.43696999424127]
  2つのコア成分を組み込んだ多次元グラフ学習モデルを提案します。 情報埋め込みグラフを生成するグラフ自己補正(GSC)機構、および入力グラフの包括的な特性評価を達成するために多様性ブースト正規化(DBR)。 一般的なグラフ分類ベンチマークの実験は、提案されたGSCメカニズムが最先端のグラフプーリング方法よりも大幅に改善されることを示しています。
  論文  参考訳（メタデータ） (2021-03-17T16:22:24Z)

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。