論文の概要: Signed Graph Pre-Training and Prompt Learning

• arxiv url: http://arxiv.org/abs/2609.25722v2
• Date: Thu, 01 Oct 2026 00:37:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.319665
• Title: Signed Graph Pre-Training and Prompt Learning
• Title（参考訳）: グラフ事前学習とプロンプト学習
• Abstract要約: TopoSIGNは、署名付きグラフのための事前学習および迅速な学習フレームワークである。 TopoSIGNは、磁気署名されたラプラシアン上に構築された構造エンコーダと、新しい永続ホモロジーブランチを組み合わせる。 合成および実世界のデータセットの結果は、TopoSIGNの有効性を示す。
• 参考スコア（独自算出の注目度）: 27.944131844715532
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Signed graphs arise in trust--distrust networks, financial correlation systems, biological interaction graphs, and many other domains in which edges can be positive or negative and may also be directed. While signed graph neural networks have improved task-specific learning, graph transfer learning on signed graphs remains underdeveloped. In this paper, we introduce TopoSIGN, a pioneer topology-guided graph pre-training and prompt learning framework for signed graphs. TopoSIGN combines a structural encoder built on the magnetic signed Laplacian with a novel persistent-homology branch that summarizes signed topology through Dowker-complex persistence images. The fused embeddings are then transferred to a prompt learning function. Experimental results on synthetic and real-world datasets demonstrate the efficacy of TopoSIGN in extracting useful structural information in signed graphs, as well as the adaptability and flexibility of the proposed general framework.
• Abstract（参考訳）: 署名されたグラフは信頼できないネットワーク、金融相関システム、生物学的相互作用グラフなど、エッジが肯定的あるいは否定的であり、指示される可能性のある多くの領域に現れる。 符号付きグラフニューラルネットワークはタスク固有の学習を改善しているが、符号付きグラフでのグラフ転送学習はまだ未開発である。 本稿では,先駆的なトポロジ誘導型グラフ事前学習フレームワークであるTopoSIGNを紹介する。 TopoSIGNは、磁気署名されたラプラシアン上に構築された構造エンコーダと、署名されたトポロジーをダウカー複素永続画像を通して要約する新しい永続ホモロジーブランチを組み合わせる。 融合埋め込みは、すぐに学習機能に転送される。 合成および実世界のデータセットに対する実験結果は、署名付きグラフにおける有用な構造情報の抽出におけるTopoSIGNの有効性と、提案した汎用フレームワークの適応性と柔軟性を示す。

関連論文リスト

• SGPT: Few-Shot Prompt Tuning for Signed Graphs [8.42756062274768]
  Signed Graph Prompt Tuning(SGPT)は、事前トレーニングされた未署名のGNNを、数ショットの署名付きグラフタスクに適応させるグラフプロンプトフレームワークである。 我々は,SGPTが既存の最先端手法を著しく上回ることを示す7つのベンチマークグラフデータセットの実験を行った。
  論文  参考訳（メタデータ） (2024-12-11T09:22:46Z)
• Message Detouring: A Simple Yet Effective Cycle Representation for Expressive Graph Learning [4.085624738017079]
  グラフ全体のサイクル表現を階層的に特徴付けるために,テキストデツーリングの概念を導入する。 メッセージのデツーリングは、さまざまなベンチマークデータセットにおいて、現在の競合するアプローチを大幅に上回る可能性がある。
  論文  参考訳（メタデータ） (2024-02-12T22:06:37Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Signed Graph Diffusion Network [17.20546861491478]
  サイン付きソーシャルグラフが与えられたら、適切なノード表現を学習して、エッジの欠落の兆候を推測するにはどうすればよいのか? 署名ソーシャルグラフにおけるリンクサイン予測のためのエンドツーエンドノード表現学習を実現する新しいグラフニューラルネットワークであるSigned Graph Diffusion Network(SGDNet)を提案する。
  論文  参考訳（メタデータ） (2020-12-28T11:08:30Z)
• GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
  本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。 学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。 GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
  論文  参考訳（メタデータ） (2020-07-07T16:51:39Z)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。