論文の概要: Graph Data Augmentation via Contrastive Generator Inversion ($\texttt{DCBA}$)
- arxiv url: http://arxiv.org/abs/2610.05653v1
- Date: Mon, 05 Oct 2026 00:58:28 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-06 21:36:47.444021
- Title: Graph Data Augmentation via Contrastive Generator Inversion ($\texttt{DCBA}$)
- Title（参考訳）: Contrastive Generator Inversionによるグラフデータ拡張(\texttt{DCBA}$)
- Abstract要約: 我々は、観測ネットワークから合成グラフ生成器の構成を推論するグラフデータ拡張のためのモデルベースのアプローチである$textttDCBA$を紹介した。
本モデルでは, ソフトな負重み付けを用いた多値比較対象を用いて, グラフと生成パラメータの合同表現を学習する。
実験によると、$textttCBAD$はアルゴリズムの逆モデリングベースラインよりも正確に、堅牢にジェネレータパラメータを復元する。
- 参考スコア（独自算出の注目度）: 2.6776012440607784
- License:
- Abstract: Graphs provide a natural representation of many complex systems, ranging from social platforms to ecosystems. However, the development of graph-based machine learning methods is often constrained by the limited availability of large and diverse graph datasets. In this paper, we introduce $\texttt{DCBA}$, a model-based approach to graph data augmentation that infers the configuration of a synthetic graph generator from an observed network. We instantiate the proposed framework using the $\texttt{ABCD}$ generator, which produces scale-free networks with community structure. Our model learns a joint representation of graphs and generator parametrisations using a multi-positive contrastive objective with soft negative weighting. The learned representation enables the prediction of an $\texttt{ABCD}$ configuration whose stochastic realisations preserve the macrostructural properties encoded by the generator. Experiments show that $\texttt{DCBA}$ recovers generator parameters more accurately and robustly than an algorithmic inverse-modelling baseline. Its downstream utility is further demonstrated in community detection, where inferred configurations used to fine-tune $\texttt{PRoCD}$ improve AMI on average by $161\%$ on synthetic and $273\%$ on real-world networks.
- Abstract（参考訳）: グラフは、ソーシャルプラットフォームからエコシステムまで、多くの複雑なシステムの自然な表現を提供する。
しかし、グラフベースの機械学習手法の開発は、大規模で多様なグラフデータセットの可用性の制限によって制約されることが多い。
本稿では,観測ネットワークから合成グラフ生成器の構成を推定するグラフデータ拡張のためのモデルベースアプローチである$\texttt{DCBA}$を紹介する。
我々は,コミュニティ構造を持つスケールフリーネットワークを生成する$\texttt{ABCD}$generatorを用いて,提案したフレームワークをインスタンス化する。
本モデルでは, ソフトな負重み付けを用いた多値比較対象を用いて, グラフと生成パラメータの合同表現を学習する。
学習された表現によって$\texttt{ABCD}$設定の予測が可能になり、確率的実現はジェネレータによって符号化されたマクロ構造特性を保存する。
実験によると、$\texttt{DCBA}$はアルゴリズムの逆モデリングベースラインよりも正確に、堅牢にジェネレータパラメータを復元する。
その下流のユーティリティは、コミュニティ検出でさらに実証されている。そこでは、$\texttt{PRoCD}$を微調整するために使用される推論構成が、平均で161\%$、現実世界のネットワークで273\%$で改善される。
関連論文リスト
- Scalable Graph Generative Modeling via Substructure Sequences [50.32639806800683]
本稿では,グラフ生成用トランスフォーマー事前学習フレームワークである生成グラフパターンマシン(G$2$PM)を紹介する。
G$2$PMはグラフインスタンス(ノード、エッジ、グラフ全体)をサブ構造のシーケンスとして表現する。
それは、一般化可能かつ伝達可能な表現を学ぶために、シーケンスに関する生成的事前学習を採用する。
論文 参考訳（メタデータ） (2025-05-22T02:16:34Z) - Synthesizing Diverse Network Flow Datasets with Scalable Dynamic Multigraph Generation [0.0]
本稿では,高忠実度合成ネットワークフローデータセットを生成する機械学習モデルを提案する。
本研究では,従来の大規模グラフ生成手法よりも精度が向上したことを示す。
論文 参考訳（メタデータ） (2025-05-12T17:26:48Z) - Graph Generative Pre-trained Transformer [25.611007241470645]
この研究は、グラフをノードセットとエッジセットのシーケンスとして表現する別のアプローチを再考する。
本稿では,グラフ生成事前学習型変換器(G2PT)について紹介する。
G2PTは、ジェネリックグラフと分子データセットの両方において優れた生成性能を実現する。
論文 参考訳（メタデータ） (2025-01-02T05:44:11Z) - Data-driven Intra-Autonomous Systems Graph Generator [4.789625395954022]
本稿では,インターネット上での自律性を表す合成グラフの深層学習に基づく生成手法について紹介する。
DGGIは、中心性、クラスタリング、代替性、およびノード次数の特性を正確に再現する合成グラフを作成する。
平均して、DGGIはMDDのメートル法を8,4.4%、9,5.1%、9,7.9%、9,4.7%で改善している。
論文 参考訳（メタデータ） (2023-08-09T23:18:53Z) - Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。
完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。
本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-20T14:41:37Z) - uGLAD: Sparse graph recovery by optimizing deep unrolled networks [11.48281545083889]
深層ネットワークを最適化してスパースグラフ復元を行う新しい手法を提案する。
我々のモデルであるuGLADは、最先端モデルGLADを教師なし設定に構築し、拡張します。
我々は, 遺伝子調節ネットワークから生成した合成ガウスデータ, 非ガウスデータを用いて, モデル解析を行い, 嫌気性消化の事例研究を行った。
論文 参考訳（メタデータ） (2022-05-23T20:20:27Z) - AnchorGAE: General Data Clustering via $O(n)$ Bipartite Graph
Convolution [79.44066256794187]
我々は、グラフ畳み込みネットワーク(GCN)を構築するために使用される生成グラフモデルを導入することにより、グラフに非グラフデータセットを変換する方法を示す。
アンカーによって構築された二部グラフは、データの背後にある高レベル情報を利用するために動的に更新される。
理論的には、単純な更新が退化につながることを証明し、それに従って特定の戦略が設計される。
論文 参考訳（メタデータ） (2021-11-12T07:08:13Z) - Node Feature Extraction by Self-Supervised Multi-scale Neighborhood
Prediction [123.20238648121445]
我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。
GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。
我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
論文 参考訳（メタデータ） (2021-10-29T19:55:12Z) - 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) - Scalable Deep Generative Modeling for Sparse Graphs [105.60961114312686]
既存のディープニューラルネットワーク手法では、隣接行列を構築することで、$Omega(n2)$複雑さを必要とする。
我々は,この空間を利用して完全隣接行列を生成する新しい自己回帰モデルBiGGを開発した。
トレーニング中、この自己回帰モデルは$O(log n)$同期ステージで並列化できる。
論文 参考訳（メタデータ） (2020-06-28T04:37:57Z) - SHADOWCAST: Controllable Graph Generation [28.839854765853953]
生成過程におけるグラフ属性の制御として定式化された制御可能なグラフ生成問題を導入し,所望のグラフを生成する。
この生成プロセスを導くために透明で直接的なマルコフモデルを使用することで、実践者は生成されたグラフを形作り、理解することができる。
グラフ構造が異なる仮説シナリオを生成するために,$rm S Small HADOWCsmall AST$を指示することで,その効果的な制御性を示す。
論文 参考訳（メタデータ） (2020-06-06T03:43:19Z)
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。