論文の概要: Complementary Supervised and Self-Supervised Representations for Out-of-Distribution Graph Learning
- arxiv url: http://arxiv.org/abs/2610.07628v1
- Date: Tue, 06 Oct 2026 02:21:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:29.757637
- Title: Complementary Supervised and Self-Supervised Representations for Out-of-Distribution Graph Learning
- Title（参考訳）: アウト・オブ・ディストリビューショングラフ学習のための補完的監督と自己監督的表現
- Abstract要約: 我々は、自己教師付き表現(SSL)が、教師付きOODノード分類を改善するために補完的な信号を提供することができるかどうかを検討する。
我々は,学習と予測の異なる段階において,そのような情報を活用する2つのバックボーンに依存しないフレームワークを開発する。
Co-Train は強力な教師付き OOD ベースラインを一貫して上回り、Dual-Space Retrieval はフレキシブルな非パラメトリックな代替手段として競争性能を達成している。
- 参考スコア（独自算出の注目度）: 19.171684054208608
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Out-of-distribution (OOD) generalization remains challenging for graph neural networks (GNNs), as graph distributions can vary substantially across time and domains. Supervised and self-supervised graph representation learning are guided by distinct objectives and offer different perspectives on graph representations. In this work, we study whether self-supervised representations (SSL) can provide complementary signals to improve supervised OOD node classification. We develop two backbone-agnostic frameworks that exploit such information at different stages of learning and prediction. Co-Train jointly learns supervised and SSL representations and adaptively integrates them during training, while Dual-Space Retrieval performs non-parametric prediction in the two representation spaces and combines their predictions through confidence-aware fusion at inference time. The supervised and SSL encoders are separately parameterized and need not share the same GNN architecture. We evaluate multiple GNN backbones and two distinct SSL objectives, DGI and GRACE, on four graph benchmarks spanning temporal and cross-domain distribution shifts. Extensive experiments show that Co-Train consistently outperforms strong supervised OOD baselines, while Dual-Space Retrieval achieves competitive performance as a flexible non-parametric alternative. Results across different backbones and SSL objectives, together with representation analyses and ablations, demonstrate that SSL representations provide complementary information to supervised representations and can improve OOD node classification across diverse settings.
- Abstract（参考訳）: グラフ分布は時間や領域によって大きく異なるため、グラフニューラルネットワーク(GNN)ではOOD(Out-of-distribution)の一般化は依然として難しい。
教師付きおよび自己教師付きグラフ表現学習は、異なる目的によって導かれ、グラフ表現に関して異なる視点を提供する。
本研究では、自己教師付き表現(SSL)が補完的な信号を提供し、教師付きOODノードの分類を改善するかを検討する。
我々は,学習と予測の異なる段階において,そのような情報を活用する2つのバックボーンに依存しないフレームワークを開発する。
Co-Trainは、教師付きおよびSSL表現を共同で学習し、トレーニング中にそれらを適応的に統合する一方、Dual-Space Retrievalは2つの表現空間で非パラメトリック予測を行い、推論時に信頼と認識の融合を通じてそれらの予測を組み合わせる。
教師付きエンコーダとSSLエンコーダは別々にパラメータ化されており、同じGNNアーキテクチャを共有する必要はない。
複数のGNNバックボーンと2つのSSL目標であるDGIとGRACEを、時間的およびドメイン間の分散シフトにまたがる4つのグラフベンチマークで評価した。
大規模な実験により、Co-Trainは強い教師付きOODベースラインを一貫して上回り、Dual-Space Retrievalはフレキシブルな非パラメトリックな代替手段として競争性能を達成している。
異なるバックボーンとSSLの目的をまたいだ結果、表現分析と短縮とともに、SSL表現が教師付き表現に補完的な情報を提供し、多様な設定でOODノードの分類を改善することを実証している。
関連論文リスト
- Fully Differentiable Bidirectional Dual-Task Synergistic Learning for Semi-Supervised 3D Medical Image Segmentation [3.9950415168730107]
半教師付き学習は、ラベルなしデータを活用することにより、画像セグメンテーションのための大きなピクセル単位のラベル付きデータセットの必要性を緩和する。
我々は,4つの重要なSSLコンポーネントをシームレスに統合し,拡張する,完全に微分可能な双方向シナジスティックラーニング(DBiSL)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-10T03:44:24Z) - Conditional Distribution Learning on Graphs [15.730933577970687]
半教師付きグラフ分類のためのグラフ構造化データからグラフ表現を学習する条件分布学習(CDL)法を提案する。
具体的には、元の特徴に対して弱機能および強拡張機能の条件分布を整列するエンドツーエンドグラフ表現学習モデルを提案する。
論文 参考訳（メタデータ） (2024-11-20T07:26:36Z) - Balanced Multi-Relational Graph Clustering [5.531383184058319]
マルチリレーショナルグラフクラスタリングは、複雑なネットワークの基盤となるパターンを明らかにすることに顕著な成功を収めた。
我々の実証的研究は、現実のグラフにおいて不均衡が広範に存在することを発見し、これは原則的にアライメントの動機と矛盾する。
我々は、教師なしの主観的マイニングと二重信号誘導表現学習からなるバランス付きマルチリレーショナルグラフクラスタリング(BMGC)を提案する。
論文 参考訳（メタデータ） (2024-07-23T22:11:13Z) - Deep Image Clustering with Contrastive Learning and Multi-scale Graph
Convolutional Networks [58.868899595936476]
コントラスト学習とマルチスケールグラフ畳み込みネットワーク(IcicleGCN)を用いた画像クラスタリング手法を提案する。
複数の画像データセットの実験は、最先端のIcicleGCNよりも優れたクラスタリング性能を示している。
論文 参考訳（メタデータ） (2022-07-14T19:16:56Z) - 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) - Fair Node Representation Learning via Adaptive Data Augmentation [9.492903649862761]
この研究は、グラフニューラルネットワーク(GNN)を用いて得られるノード表現のバイアス源を理論的に説明する。
この分析に基づいて、本質的なバイアスを低減するために、公正に意識したデータ拡張フレームワークを開発した。
分析と提案手法は,様々なGNN学習機構の公平性を高めるために容易に利用できる。
論文 参考訳（メタデータ） (2022-01-21T05:49:15Z) - PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive
Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。
本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文 参考訳（メタデータ） (2021-03-17T08:28:30Z) - Multi-Level Graph Convolutional Network with Automatic Graph Learning
for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。
空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。
MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文 参考訳（メタデータ） (2020-09-19T09:26:20Z) - Contrastive and Generative Graph Convolutional Networks for Graph-based
Semi-Supervised Learning [64.98816284854067]
グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。
本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-09-15T13:59:28Z)
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。