論文の概要: AtlasULP: Domain-aware Universal Link Prediction via Relation Atlas

• arxiv url: http://arxiv.org/abs/2611.07347v1
• Date: Thu, 05 Nov 2026 02:36:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.495025
• Title: AtlasULP: Domain-aware Universal Link Prediction via Relation Atlas
• Title（参考訳）: AtlasULP:リレーショナルアトラスによるドメイン対応ユニバーサルリンク予測
• Abstract要約: リンク予測はグラフ学習において広く用いられる課題である。 任意の未確認グラフ上でトレーニング不要な推論を可能にするために,Universal Link Prediction (ULP)を提案する。 我々は、AtlasULPが様々なグラフ領域にわたる最先端の手法より一貫して優れていることを示す。
• 参考スコア（独自算出の注目度）: 90.32347172510151
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Link prediction (LP) is a widely applied task in graph learning. Conventional LP approaches typically follow a dataset-specific paradigm, requiring independent training for each graph and incurring high computational and maintenance costs in large-scale applications. Motivated by these limitations, recent work explores Universal Link Prediction (ULP), aiming to enable training-free inference on arbitrary unseen graphs. However, existing methods primarily rely on subgraph sampling strategies to construct universal representations, which are unable to capture higher-order information due to the exponential growth of higher-order neighborhoods. As a result, they often under-perform on graphs where long-range signals are essential, such as biological networks. Moreover, their prediction models are typically domain-agnostic and lack the ability to adapt to different graph domains, leading to limited generalization. To address these challenges, we propose an Atlas-based Universal Link Prediction framework (AtlasULP), which introduces the relation atlas to capture structural associations between node pairs from both global and local perspectives, enabling a comprehensive characterization of connectivity signals across diverse graph domains. Building upon this representation, we develop a domain-guided prompting ULP model, which generates domain-aware prompt tokens from contextual structures and performs prompt-guided in-context prediction for adaptive link inference. Extensive experiments demonstrate that AtlasULP consistently outperforms state-of-the-art methods across diverse graph domains.
• Abstract（参考訳）: リンク予測(LP)はグラフ学習において広く用いられる課題である。 従来のLPアプローチは、一般的にデータセット固有のパラダイムに従い、グラフごとに独立したトレーニングを必要とし、大規模アプリケーションにおいて高い計算とメンテナンスコストを発生させる。 これらの制限により、最近の研究はUniversal Link Prediction (ULP)を探求し、任意の未表示グラフ上でトレーニング不要な推論を可能にすることを目指している。 しかし,既存の手法は,高次近傍の指数的増加により高次情報の取得が不可能な普遍表現を構築するための部分グラフサンプリング戦略に大きく依存している。 結果として、生物ネットワークのような長距離信号が不可欠であるグラフ上では、しばしば低パフォーマンスとなる。 さらに、それらの予測モデルは一般にドメインに依存しず、異なるグラフ領域に適応する能力がないため、限定的な一般化につながる。 これらの課題に対処するために,AtlasULP (Universal Link Prediction framework) を提案する。AtlasULPは,グローバルとローカルの両方の観点からノードペア間の構造的関連を捉えるためのアトラス構造を導入し,多様なグラフドメイン間の接続信号の包括的特徴付けを可能にする。 この表現に基づいて、コンテキスト構造からドメイン認識型プロンプトトークンを生成し、適応リンク推論のためのプロンプト誘導型インコンテキスト予測を行う、ドメイン誘導型プロンプトULPモデルを開発する。 広範な実験により、AtlasULPは様々なグラフ領域にわたる最先端の手法を一貫して上回ることを示した。

関連論文リスト

• OWLEYE: Zero-Shot Learner for Cross-Domain Graph Data Anomaly Detection [48.77471686671269]
  OWLEYEは、複数のグラフから正常な振る舞いの伝達可能なパターンを学習する新しいフレームワークである。 OWLEYEは最先端のベースラインに比べて性能と一般化性が優れていることを示す。
  論文  参考訳（メタデータ） (2026-01-27T02:08:18Z)
• One Model for One Graph: A New Perspective for Pretraining with Cross-domain Graphs [59.7297608804716]
  複雑なネットワークパターンをキャプチャする強力なツールとして、グラフニューラルネットワーク(GNN)が登場した。 既存のGNNには、慎重にドメイン固有のアーキテクチャ設計と、データセットのスクラッチからのトレーニングが必要です。 我々は、新しいクロスドメイン事前学習フレームワーク「1つのグラフのための1つのモデル」を提案する。
  論文  参考訳（メタデータ） (2024-11-30T01:49:45Z)
• Range-aware Positional Encoding via High-order Pretraining: Theory and Practice [14.521929085104441]
  大量のグラフデータに対する教師なし事前トレーニングは、ラベル付きデータが制限された実世界のアプリケーションでは不可欠である。 本稿では,多解像度構造情報をモデル化することに焦点を当てたグラフの事前学習戦略を提案する。 このアプローチはグラフ構造にのみ依存するが、ドメインに依存しず、さまざまなドメインのデータセットに適応可能である。
  論文  参考訳（メタデータ） (2024-09-27T19:53:10Z)
• Towards Graph Prompt Learning: A Survey and Beyond [38.55555996765227]
  大規模"事前訓練と迅速な学習"パラダイムは、顕著な適応性を示している。 この調査は、この分野における100以上の関連する研究を分類し、一般的な設計原則と最新の応用を要約する。
  論文  参考訳（メタデータ） (2024-08-26T06:36:42Z)
• GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
  本稿では,この新たな問題設定の数学的定義を紹介する。 一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。 十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
  論文  参考訳（メタデータ） (2023-06-20T03:33:22Z)
• 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)

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。