論文の概要: HCPN-GCN: Scaling Hierarchical Prototype Networks with Cone Geometry for Continual Graph Learning

• arxiv url: http://arxiv.org/abs/2610.08823v1
• Date: Fri, 25 Sep 2026 01:46:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 16:33:44.545168
• Title: HCPN-GCN: Scaling Hierarchical Prototype Networks with Cone Geometry for Continual Graph Learning
• Title（参考訳）: HCPN-GCN:連続グラフ学習のためのコーン幾何を用いた階層型プロトタイプネットワークのスケーリング
• Abstract要約: 連続グラフ学習は、従来のタスクから取得した知識を保持しながら、グラフ構造化データから漸進的に学習することを目的としている。 この設定における大きな課題は破滅的な忘れことであり、そこでは、新しいタスクを学ぶことは、以前に学んだタスクのパフォーマンスを低下させる。 我々は、元の線形特徴抽出器をグラフ畳み込みネットワーク(GCN)に置き換える、HPNのグラフ対応拡張であるHCPN-GCNを提案する。
• 参考スコア（独自算出の注目度）: 0.013683072934528263
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Continual Graph Learning (CGL) aims to incrementally learn from graph-structured data while preserving knowledge acquired from previous tasks. A major challenge in this setting is catastrophic forgetting, where learning new tasks degrades performance on previously learned ones. Hierarchical Prototype Networks (HPNs) address this problem through a prototype-based memory mechanism that avoids storing historical data, but their reliance on linear feature extractors limits their ability to exploit graph topology, while point-based prototypes often lead to inefficient prototype growth on structurally diverse graphs. In this work, we propose HCPN-GCN, a graph-aware extension of HPN that replaces the original linear feature extractors with Graph Convolutional Networks (GCNs) and introduces cone-based prototypes with a diversity regularization objective. The proposed design produces richer graph-aware representations while compactly modeling the embedding space, reducing prototype proliferation without sacrificing discriminability. Experimental results on six continual graph learning benchmarks demonstrate that HCPN-GCN consistently improves average classification accuracy over the original HPN and representative continual learning baselines while maintaining near-zero forgetting. Furthermore, our analysis shows that the proposed model learns substantially richer class-level prototype hierarchies using approximately $30\times$ fewer atomic prototypes than the original HPN, providing a more compact and effective memory representation for continual graph learning.
• Abstract（参考訳）: 連続グラフ学習(CGL)は、従来のタスクから取得した知識を保持しながら、グラフ構造化データから漸進的に学習することを目的としている。 この設定における大きな課題は破滅的な忘れことであり、新しいタスクを学ぶことは、以前に学んだタスクのパフォーマンスを低下させる。 階層型プロトタイプネットワーク(HPN)は、歴史データの保存を避けるプロトタイプベースのメモリ機構を通じてこの問題に対処するが、線形特徴抽出器への依存はグラフトポロジを利用する能力を制限する。 本稿では,従来の線形特徴抽出器をGCN(Graph Convolutional Networks)に置き換えたHPNのグラフ対応拡張であるHCPN-GCNを提案する。 提案設計では,よりリッチなグラフ認識表現を実現するとともに,埋め込み空間をコンパクトにモデル化し,識別性を犠牲にすることなくプロトタイプの増殖を低減する。 6つの連続グラフ学習ベンチマークによる実験結果から,HCPN-GCNは平均分類精度をほぼゼロに保ちながら,元のHPNと代表的な連続学習ベースラインよりも一貫して向上することが示された。 さらに,提案モデルでは,従来のHPNよりも30ドル程度の原子プロトタイプで,よりリッチなクラスレベルのプロトタイプ階層を学習し,連続的なグラフ学習のためのよりコンパクトで効果的なメモリ表現を提供することを示した。

関連論文リスト

• Deep Learning for School Dropout Detection: A Comparison of Tabular and Graph-Based Models for Predicting At-Risk Students [0.2029906424353094]
  学生の退学は、世界中の教育システムにおいて重要な課題である。 グラフニューラルネットワーク(GNN)は、グラフとして構造化された場合、学生データに固有の複雑な関係をキャプチャすることで潜在的な利点を提供する。
  論文  参考訳（メタデータ） (2025-08-09T01:19:32Z)
• 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)
• Inductive Graph Few-shot Class Incremental Learning [34.19083477893245]
  本稿では,新しいノードを持つ新しいクラスを継続的に学習するインダクティブGFSCILを提案する。 トランスダクティブGFSCILと比較して、インダクティブ設定は、アクセス不能な先行データにより破滅的忘れを悪化させる。 そこで我々はTopology-based class Augmentation and Prototype calibrationと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-11-11T00:06:20Z)
• Amplify Graph Learning for Recommendation via Sparsity Completion [16.32861024767423]
  グラフ学習モデルは、協調フィルタリング(CF)ベースのレコメンデーションシステムに広くデプロイされている。 データ疎度の問題により、元の入力のグラフ構造は潜在的な肯定的な嗜好エッジを欠いている。 AGL-SC(Amplify Graph Learning framework)を提案する。
  論文  参考訳（メタデータ） (2024-06-27T08:26:20Z)
• 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)
• Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural Networks [52.566735716983956]
  本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。 LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。 提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-07-18T14:23:31Z)
• Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
  本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。 具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
  論文  参考訳（メタデータ） (2022-01-17T11:57:29Z)
• Hierarchical Prototype Networks for Continual Graph Representation Learning [90.78466005753505]
  本稿では,連続的に拡張されたグラフを表現するために,プロトタイプの形式で抽象的な知識のレベルを抽出する階層型プロトタイプネットワーク(HPN)を提案する。 我々はHPNが最先端のベースライン技術を上回るだけでなく、メモリ消費も比較的少ないことを示した。
  論文  参考訳（メタデータ） (2021-11-30T14:15:14Z)
• From block-Toeplitz matrices to differential equations on graphs: towards a general theory for scalable masked Transformers [44.074479731587786]
  線形因果的注意に関する最近の結果は、この一般的なメカニズムの特別な事例であることを示す。 この問題を無作為な注意のトポロジカルな(グラフに基づく)変調としてキャストすることで、以前にも知られていなかったいくつかの結果が得られる。
  論文  参考訳（メタデータ） (2021-07-16T16:39:10Z)
• 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)

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。