論文の概要: Learning the Latent Structure: A Feature-Centric Approach to Graph Data Augmentation

• arxiv url: http://arxiv.org/abs/2610.02517v1
• Date: Thu, 01 Oct 2026 21:38:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 19:20:54.755529
• Title: Learning the Latent Structure: A Feature-Centric Approach to Graph Data Augmentation
• Title（参考訳）: 潜在構造を学習する:グラフデータ拡張のための特徴中心的アプローチ
• Abstract要約: 実世界のグラフは、データ収集と観測上の制約のため、しばしば不完全である。 本稿では,明示的な構造モデリングを回避した特徴中心グラフデータ拡張フレームワークを提案する。 当社のアプローチであるSelfAugは、インダクティブ設定とコールドスタート設定の精度と効率の両方において、最先端の手法を一貫して上回ります。
• 参考スコア（独自算出の注目度）: 49.81655636414316
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-structured data plays a pivotal role in modeling complex relationships. However, real-world graphs are often incomplete due to data collection and observational constraints, severely limiting the effectiveness of modern graph learning pipelines. While existing Graph Data Augmentation (GDA) methods attempt to refine graph structures for improved downstream performance, they are typically label-dependent, computationally expensive, and inherently transductive, limiting their applicability in practical scenarios. In this work, we present a novel feature-centric graph data augmentation framework that bypasses explicit structure modeling by operating directly in the embedding space. Through a self-supervised inverse masking process, our method captures latent ties between observed and complete graphs, enabling recovery of unobserved structural signals through refined node representations. To enhance robustness under noisy and sparse supervision, we introduce a message regularizer and a bootstrap strategy for effective training and generalization. Evaluated on ten graph datasets spanning multiple domains, our approach, SelfAug, consistently outperforms state-of-the-art methods in both accuracy and efficiency across inductive and cold-start settings, highlighting its potential as a scalable and generalizable solution for real-world graph learning scenarios.
• Abstract（参考訳）: グラフ構造化データは、複雑な関係をモデル化する上で重要な役割を果たす。 しかし、実世界のグラフは、データ収集と観測上の制約のため、しばしば不完全であり、現代のグラフ学習パイプラインの有効性を著しく制限している。 既存のグラフデータ拡張(GDA)手法は、下流のパフォーマンスを改善するためにグラフ構造を洗練させようとするが、一般的にはラベルに依存し、計算コストが高く、本質的にトランスダクティブであり、実用シナリオにおける適用性を制限している。 本研究では,埋め込み空間で直接操作することで,明示的な構造モデリングを回避できる特徴中心グラフデータ拡張フレームワークを提案する。 自己教師付き逆マスキングにより、観測されたグラフと完全グラフの間の潜時関係を捕捉し、洗練されたノード表現による未観測構造信号の復元を可能にする。 雑音やスパース監視下での堅牢性を高めるため,効果的なトレーニングと一般化のためのメッセージレギュレータとブートストラップ戦略を導入する。 複数のドメインにまたがる10のグラフデータセットに基づいて評価し、私たちのアプローチであるSelfAugは、インダクティブおよびコールドスタート設定の精度と効率の両方において、最先端の手法を一貫して上回り、実際のグラフ学習シナリオのスケーラブルで一般化可能なソリューションとしての可能性を強調します。

関連論文リスト

• 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)
• OpenGraph: Towards Open Graph Foundation Models [20.401374302429627]
  グラフニューラルネットワーク(GNN)は、構造情報を符号化するための有望な技術として登場した。 主な課題は、異なる性質を持つグラフデータを一般化することの難しさである。 この課題に対処するために,OpenGraphと呼ばれる新しいグラフ基盤モデルを提案する。
  論文  参考訳（メタデータ） (2024-03-02T08:05:03Z)
• Graph Learning under Distribution Shifts: A Comprehensive Survey on Domain Adaptation, Out-of-distribution, and Continual Learning [53.81365215811222]
  グラフ学習の文脈における分布変化に対処する最新のアプローチ、戦略、洞察のレビューと要約を提供する。 既存のグラフ学習手法を,グラフ領域適応学習,グラフ配布学習,グラフ連続学習など,いくつかの重要なシナリオに分類する。 本稿では,この領域における現状を体系的に分析し,分散シフト下でのグラフ学習の可能性と今後の方向性について論じる。
  論文  参考訳（メタデータ） (2024-02-26T07:52:40Z)
• GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
  本稿では,この新たな問題設定の数学的定義を紹介する。 一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。 十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
  論文  参考訳（メタデータ） (2023-06-20T03:33:22Z)
• Structure-Preserving Graph Representation Learning [43.43429108503634]
  本研究では,グラフの構造情報を完全にキャプチャする構造保存グラフ表現学習(SPGRL)手法を提案する。 具体的には、元のグラフの不確かさと誤情報を減らすために、k-Nearest Neighbor法による補完的なビューとして特徴グラフを構築する。 本手法は、半教師付きノード分類タスクにおいて非常に優れた性能を示し、グラフ構造やノード特徴に対するノイズ摂動下での堅牢性に優れる。
  論文  参考訳（メタデータ） (2022-09-02T02:49:19Z)
• Effective and Efficient Graph Learning for Multi-view Clustering [173.8313827799077]
  マルチビュークラスタリングのための効率的かつ効率的なグラフ学習モデルを提案する。 本手法はテンソルシャッテンp-ノルムの最小化により異なるビューのグラフ間のビュー類似性を利用する。 提案アルゴリズムは時間経済であり,安定した結果を得るとともに,データサイズによく対応している。
  論文  参考訳（メタデータ） (2021-08-15T13:14:28Z)
• 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)

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。