論文の概要: DualGSL: Prior-Guided Graph Structure Learning with Node-Adaptive Prediction Fusion

• arxiv url: http://arxiv.org/abs/2610.32462v1
• Date: Fri, 23 Oct 2026 10:29:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.494611
• Title: DualGSL: Prior-Guided Graph Structure Learning with Node-Adaptive Prediction Fusion
• Title（参考訳）: DualGSL:ノード適応予測融合による事前指導型グラフ構造学習
• Abstract要約: トランスダクティブノード分類のための事前ガイダンスフレームワークであるDualGSLを提案する。 ノード固有の重みを学習し、事前およびタスク適応の伝搬経路から予測を合成する。 評価手法の中では, クロスデータセットの平均精度が最も高く, マクロF1を達成している。
• 参考スコア（独自算出の注目度）: 13.674337758503095
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph structure learning (GSL) adapts propagation graphs to prediction tasks, but the relative predictive value of feature-derived priors and learned relations can vary across nodes. We propose DualGSL, a prior-guided framework for transductive node classification that learns node-specific weights for combining predictions from separate prior and task-adaptive propagation paths. The prior branch augments a feature graph with virtual class nodes to incorporate training-label information, while the structural branch combines learned affinity graphs with the feature-graph prior. The two branches share encoder parameters while preserving distinct representations and classification logits. A node-adaptive gate fuses the branch logits based on their projected representations, element-wise absolute difference, and prediction confidence. A joint objective integrates fused and branch-specific classification losses with prior-branch class-anchor alignment, coordinating graph construction, representation learning, and prediction fusion. Experiments against seven baselines on the AMG18 malware attribution dataset and the widely used 20News text classification and USPS handwritten-digit recognition benchmarks show that DualGSL achieves the highest cross-dataset average accuracy and Macro-F1 among the evaluated methods. Ablation studies on AMG18 further demonstrate the benefit of combining prior and learned propagation through logit fusion.
• Abstract（参考訳）: グラフ構造学習(GSL)は伝搬グラフを予測タスクに適応させるが、特徴から派生した先行値と学習関係の相対的予測値はノードによって異なる。 本稿では,ノード固有の重み付けを学習し,前処理とタスク適応処理の分岐経路から予測を合成する,トランスダクティブノード分類のための事前ガイダンスフレームワークであるDualGSLを提案する。 事前ブランチは、トレーニングラベル情報を組み込むために仮想クラスノードを備えたフィーチャーグラフを拡張し、構造ブランチは学習された親和性グラフとフィーチャーグラフを結合する。 2つのブランチはエンコーダパラメータを共有し、異なる表現と分類ログを保持する。 ノード適応ゲートは、予測された表現、要素単位の絶対差、予測信頼に基づいて分岐ロジットを融合する。 共同目的は、融合および分岐固有の分類損失と、事前ブランチクラスアンカーアライメント、コーディネートグラフ構築、表現学習、予測融合とを統合する。 AMG18マルウェア帰属データセットと広く使われている20Newsテキスト分類とUSPS手書き文字認識ベンチマークに基づく7つのベースラインに対する実験により、DualGSLは評価された手法の中で、クロスデータセットの平均精度が最も高く、Macro-F1が達成された。 AMG18のアブレーション研究は、ロジット融合による事前および学習された伝播の利点をさらに示している。

関連論文リスト

• NodeGround: A Node Classification Benchmark in the Graph Foundation Model Era [8.331524801839162]
  グラフ基礎モデル(GFM)とデータセット固有の教師あり学習を共通評価フレームワークに組み込んだノード分類ベンチマークであるNodeGroundを提案する。 このベンチマークは51のデータセットにまたがり、6つのGFMと15の教師付きメソッドを2つのラベルアベイラビリティ・レギュレーションで評価する。 結果は、グラフニューラルネットワーク全体を慎重に調整することを好む。
  論文  参考訳（メタデータ） (2026-09-30T13:06:59Z)
• PreGS: A Parameter-Transfer-Based Multi-Expert Graph Neural Network for Node Classification [8.462209415744098]
  グラフニューラルネットワークは、グラフ近傍からの情報を集約することで、ノード分類において強力なパフォーマンスを実現している。 本稿ではパラメータ転送に基づくマルチエキスパートグラフニューラルネットワークフレームワークであるPreGSを提案する。 PreGSとPreGSv2は、代表グラフニューラルネットワークベースラインと競合するパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-09-22T12:16:23Z)
• Graph Your Own Prompt [44.358377952850994]
  グラフ一貫性規則化(GCR)は、モデル予測から派生した関係グラフ構造を学習プロセスに注入するフレームワークである。 GCRは、よりクリーンな特徴構造、より強力なクラス内凝集、一般化を促進し、予測構造から学習する新しい視点を提供する。
  論文  参考訳（メタデータ） (2025-09-27T15:45:07Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• Generative and Contrastive Paradigms Are Complementary for Graph Self-Supervised Learning [56.45977379288308]
  Masked Autoencoder (MAE)は、マスク付きグラフエッジやノード機能の再構築を学ぶ。 Contrastive Learning (CL)は、同じグラフの拡張ビュー間の類似性を最大化する。 我々は,MAE と CL を統一するグラフコントラッシブマスク付きオートエンコーダ (GCMAE) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-24T05:06:06Z)
• You Only Transfer What You Share: Intersection-Induced Graph Transfer Learning for Link Prediction [79.15394378571132]
  従来見過ごされていた現象を調査し、多くの場合、元のグラフに対して密に連結された補グラフを見つけることができる。 より密度の高いグラフは、選択的で有意義な知識を伝達するための自然なブリッジを提供する元のグラフとノードを共有することができる。 この設定をグラフインターセクション誘導トランスファーラーニング(GITL)とみなし,eコマースや学術共同オーサシップ予測の実践的応用に動機づけられた。
  論文  参考訳（メタデータ） (2023-02-27T22:56:06Z)
• Line Graph Contrastive Learning for Link Prediction [4.876567687745239]
  多視点情報を得るために,Line Graph Contrastive Learning (LGCL)法を提案する。 6つの公開データセットの実験により、LGCLはリンク予測タスクの現在のベンチマークを上回っている。
  論文  参考訳（メタデータ） (2022-10-25T06:57:00Z)
• Training Free Graph Neural Networks for Graph Matching [103.45755859119035]
  TFGMは、グラフニューラルネットワーク(GNN)ベースのグラフマッチングのパフォーマンスをトレーニングなしで向上するフレームワークである。 TFGMをさまざまなGNNに適用することは、ベースラインよりも有望な改善を示している。
  論文  参考訳（メタデータ） (2022-01-14T09:04:46Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)

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。