論文の概要: SAC-GCL: Structure-Aware Compression for Graph Contrastive Learning

• arxiv url: http://arxiv.org/abs/2610.37898v1
• Date: Tue, 27 Oct 2026 19:37:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.322613
• Title: SAC-GCL: Structure-Aware Compression for Graph Contrastive Learning
• Title（参考訳）: SAC-GCL:グラフコントラスト学習のための構造認識圧縮
• Abstract要約: グラフコントラスト学習のための構造認識圧縮(SAC-GCL)を提案する。 SAC-GCLは、構造分解とグラフ圧縮を原則的ビュー生成戦略として採用している。 構造認識圧縮は、ランダムな摂動の強力な代替手段であり、より堅牢で差別的なグラフ表現をもたらすことを示す。
• 参考スコア（独自算出の注目度）: 0.9596626009413632
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Contrastive Learning (GCL) has achieved remarkable success in self-supervised representation learning by maximizing agreement between augmented views of a graph. Although augmented view generation is the central step in GCL, existing models rely on stochastic augmentation of the input graph, such as edge perturbation and node masking, which lack structural awareness and frequently destroy critical topology or introduce semantically inconsistent views. While recent adaptive methods improve upon random perturbations, they primarily operate on localized node or edge neighborhoods and fail to capture higher-order, macro-level structural organization crucial for graph classification. To address this limitation, we propose Structure-aware Compression for Graph Contrastive Learning (SAC-GCL), a novel framework that employs structural decomposition and graph compression as a principled view generation strategy. Moving beyond random augmentations, SAC-GCL leverages structural decomposition techniques to extract cohesive subgraphs and condense them into supernodes, constructing coarsened graph views that preserve local density and capture higher-level structural patterns while reducing noise and redundancy. We leverage multiple cohesive subgraph models to derive complementary views of the graph, each capturing distinct structural properties. To capture multi-resolution information, a hierarchical view encoder processes these compressed views by initializing super-node features with shared-weight cohesive subgraph embeddings. Our results from extensive experiments on six benchmark datasets demonstrate that structure-aware compression provides a powerful alternative to random perturbations, yielding more robust and discriminative graph representations for graph classification tasks.
• Abstract（参考訳）: グラフコントラスト学習(GCL)は,グラフの拡張ビュー間の合意を最大化することにより,自己指導型表現学習において顕著な成功を収めた。 拡張ビュー生成はGCLの中心的なステップであるが、既存のモデルはエッジ摂動やノードマスキングのような入力グラフの確率的拡張に依存しており、構造的認識が欠如し、重要なトポロジを頻繁に破壊したり、意味的に一貫性のないビューを導入したりしている。 最近の適応的手法はランダムな摂動を改善するが、それらは主に局所化されたノードまたはエッジ地区で動作し、グラフ分類に不可欠な高次のマクロレベルの構造組織を捕捉できない。 この制限に対処するために、構造化分解とグラフ圧縮を原則的ビュー生成戦略とする新しいフレームワークであるSAC-GCL(Structure-Aware Compression for Graph Contrastive Learning)を提案する。 ランダムな拡張を超えて、SAC-GCLは構造分解技術を活用して結合的な部分グラフを抽出し、それらをスーパーノードに凝縮し、局所密度を保ち、高レベルの構造パターンをキャプチャし、ノイズと冗長性を低減した粗いグラフビューを構築する。 複数の凝集部分グラフモデルを用いてグラフの相補的なビューを導出し、それぞれが異なる構造特性を捉える。 多解像度情報をキャプチャするために、階層ビューエンコーダは、共有重み付き結合部分グラフ埋め込みでスーパーノード特徴を初期化することにより、圧縮されたビューを処理する。 6つのベンチマークデータセットの広範な実験結果から、構造認識圧縮がランダムな摂動の強力な代替手段となり、グラフ分類タスクに対してより堅牢で差別的なグラフ表現が得られることが示された。

関連論文リスト

• Dynamic Deep Graph Learning for Incomplete Multi-View Clustering with Masked Graph Reconstruction Loss [26.31060859315329]
  textbfIncomplete textbfMulti-textbfView textbfClustering with textbfMasked Graph Reconstruction Loss (DGIMVCM)を提案する。 次に、グラフ畳み込み埋め込み層を設計し、主要な特徴を抽出し、動的なビュー固有のグラフ構造を洗練し、グローバルグラフを利用して、不足するビューの計算を行う。
  論文  参考訳（メタデータ） (2025-11-14T11:26:38Z)
• GLANCE: Graph Logic Attention Network with Cluster Enhancement for Heterophilous Graph Representation Learning [47.674647127050186]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習する上で大きな成功を収めている。 本稿では,論理誘導推論,動的グラフ改善,適応クラスタリングを統合し,グラフ表現学習を強化する新しいフレームワークであるGLANCEを提案する。
  論文  参考訳（メタデータ） (2025-07-24T15:45:26Z)
• Unsupervised Graph Clustering with Deep Structural Entropy [25.38926876388394]
  DeSEは、Deep Structure Entropyを取り入れた、新しい教師なしグラフクラスタリングフレームワークである。 クラスタを形成するために、量子化された構造情報とディープニューラルネットワークを備えたオリジナルのグラフを強化する。 クラスタリング代入法は,拡張グラフ上のクラスタへのノード埋め込みとソフトな代入行列を学習する。
  論文  参考訳（メタデータ） (2025-05-20T07:38:06Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• Contrastive Graph Condensation: Advancing Data Versatility through Self-Supervised Learning [38.72627860431171]
  グラフ凝縮は、大規模原グラフのコンパクトで代替的なグラフを合成するための有望な解である。 本稿では、自己教師型代理タスクを取り入れたCTGC(Contrastive Graph Condensation)を導入し、元のグラフから批判的、因果的な情報を抽出する。 CTGCは、様々な下流タスクを限られたラベルで処理し、一貫して最先端のGCメソッドより優れている。
  論文  参考訳（メタデータ） (2024-11-26T03:01:22Z)
• SE-GSL: A General and Effective Graph Structure Learning Framework through Structural Entropy Optimization [67.28453445927825]
  グラフニューラルネットワーク(GNN)は、構造的データ学習のデファクトソリューションである。 既存のグラフ構造学習(GSL)フレームワークには、堅牢性と解釈性がない。 本稿では、構造エントロピーと符号化木に抽象化されたグラフ階層を通して、一般的なGSLフレームワークSE-GSLを提案する。
  論文  参考訳（メタデータ） (2023-03-17T05:20:24Z)
• 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)
• 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)

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。