論文の概要: Data-Adaptive Graph Framelets with Generalized Vanishing Moments for Graph Machine Learning
- arxiv url: http://arxiv.org/abs/2309.03537v3
- Date: Mon, 08 Sep 2025 03:59:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-09 14:07:02.547718
- Title: Data-Adaptive Graph Framelets with Generalized Vanishing Moments for Graph Machine Learning
- Title（参考訳）: グラフ機械学習のための一般化ベニシングモーメントを用いたデータ適応グラフフレームレット
- Authors: Ruigang Zheng, Xiaosheng Zhuang,
- Abstract要約: 分割木に基づく局所化サポート付きグラフ上でのタイトなフレームレットシステムを構築する。
提案するグラフフレームレットシステムの汎用性をヘテロ親和性グラフ学習に活用する。
グラフフレームレットの特定の系を導出し、ニューラルネットワーク入力の特徴としてフレームレットを選択する方法を提案する。
- 参考スコア（独自算出の注目度）: 4.498623132806496
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we propose a general framework for constructing tight framelet systems on graphs with localized supports based on partition trees. Our construction of framelets provides a simple and efficient way to obtain the orthogonality with $k$ arbitrary orthonormal vectors. When the $k$ vectors contain most of the energy of a family of graph signals, the orthogonality of the framelets intuitively possesses ``generalized ($k$-)vanishing'' moments, and thus, the coefficients are sparse. Moreover, our construction provides not only framelets that are overall sparse vectors but also fast and schematically concise transforms. In a data-adaptive setting, the graph framelet systems can be learned by conducting optimizations on Stiefel manifolds to provide the utmost sparsity for a given family of graph signals. Furthermore, we further exploit the generality of our proposed graph framelet systems for heterophilous graph learning, where graphs are characterized by connecting nodes mainly from different classes. The usual assumption that connected nodes are similar and belong to the same class for homophilious graphs is contradictory for heterophilous graphs. Thus, we are motivated to bypass simple assumptions on heterophilous graphs and focus on generating rich node features induced by the graph structure, so as to improve the graph learning ability of certain neural networks in node classification. We derive a specific system of graph framelets and propose a heuristic method to select framelets as features for neural network input. Several experiments demonstrate the effectiveness and superiority of our approach for non-linear approximation, denoising, and node classification.
- Abstract（参考訳）: 本稿では,分割木に基づく局所化サポート付きグラフ上でのタイトなフレームレットシステム構築のための一般的なフレームワークを提案する。
我々のフレームレットの構成は、$k$任意の直交ベクトルで直交性を得るための単純で効率的な方法を提供する。
k$ベクトルがグラフ信号の族のエネルギーのほとんどを含むとき、フレームレットの直交性は直感的に「一般化(k$-)消滅」モーメントを持ち、したがって係数はスパースである。
さらに、我々の構成は、全体のスパースベクトルであるだけでなく、高速かつスキーマ的に簡潔な変換を提供する。
データ適応的な設定では、グラフのフレームレット系は、与えられたグラフ信号の族に対して最大限の間隔を提供するために、スティーフェル多様体上で最適化を行うことで学習することができる。
さらに,異種グラフ学習におけるグラフフレームレットシステムの汎用性をさらに活用し,グラフは主に異なるクラスからノードを接続することによって特徴付けられる。
連結ノードは類似しており、ホモフィル性グラフの同じクラスに属するという通常の仮定は、ヘテロフィル性グラフに対して矛盾する。
そこで我々は,異種グラフの単純な仮定を回避し,グラフ構造によって誘導されるリッチなノード特徴の生成に焦点を合わせ,ノード分類における特定のニューラルネットワークのグラフ学習能力を向上させることを目的としている。
グラフフレームレットの特定の系を導出し,ニューラルネットワーク入力の特徴としてフレームレットを選択するヒューリスティックな手法を提案する。
非線形近似, 雑音化, ノード分類に対するアプローチの有効性と優位性を示す実験がいくつかある。
関連論文リスト
- Bespoke multiresolution analysis of graph signals [0.0]
本稿では,グラフ信号の離散多分解能解析のための新しいフレームワークを提案する。
主な分析ツールは標本変換であり、もともとユークリッドのフレームワークで離散ウェーブレットのような構成として定義されていた。
効率的な数値的な実装のために、重いエッジクラスタリングを組み合わせることで、グラフを意味のあるパッチに分割する。
論文 参考訳（メタデータ） (2025-07-25T11:43:19Z) - RGL: A Graph-Centric, Modular Framework for Efficient Retrieval-Augmented Generation on Graphs [58.10503898336799]
完全なRAGパイプラインをシームレスに統合するモジュラーフレームワークであるRAG-on-Graphs Library(RGL)を紹介した。
RGLは、さまざまなグラフフォーマットをサポートし、必須コンポーネントの最適化実装を統合することで、重要な課題に対処する。
評価の結果,RGLはプロトタイピングプロセスの高速化だけでなく,グラフベースRAGシステムの性能や適用性の向上も図っている。
論文 参考訳（メタデータ） (2025-03-25T03:21:48Z) - Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳（メタデータ） (2024-01-12T17:57:07Z) - Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。
近年の研究では、グラフ表現学習における事前学習の有用性が示されている。
本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
論文 参考訳（メタデータ） (2023-02-06T16:26:29Z) - Robust Attributed Graph Alignment via Joint Structure Learning and
Optimal Transport [26.58964162799207]
本稿では,構造化学習と最適輸送アライメントを併用した教師なしグラフアライメントフレームワークSLOTAlignを提案する。
マルチビュー構造学習を取り入れて、グラフ表現能力を高め、グラフ間で継承された構造と特徴の不整合の影響を低減する。
提案したSLOTAlignは、7つの教師なしグラフアライメント法と5つの特殊なKGアライメント法よりも優れた性能と強いロバスト性を示す。
論文 参考訳（メタデータ） (2023-01-30T08:41:36Z) - Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph
Wavelets [81.63035727821145]
スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。
本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
論文 参考訳（メタデータ） (2021-08-03T17:57:53Z) - 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) - How Framelets Enhance Graph Neural Networks [27.540282741523253]
本稿では,フレームレット変換に基づくグラフニューラルネットワークの組み立て手法を提案する。
本稿では,フレームレット畳み込みのための新しいアクティベーションとして,異なるスケールで高周波情報をしきい値として縮小を提案する。
論文 参考訳（メタデータ） (2021-02-13T19:19:19Z) - Promoting Graph Awareness in Linearized Graph-to-Text Generation [72.83863719868364]
局所グラフ構造を符号化する線形化モデルの能力を検討する。
本研究は,モデルの暗黙のグラフ符号化の品質を高めるための解法である。
これらの消音足場は、低リソース設定における下流生成の大幅な改善につながることが分かりました。
論文 参考訳（メタデータ） (2020-12-31T18:17:57Z) - Decimated Framelet System on Graphs and Fast G-Framelet Transforms [3.7277730514654555]
グラフ構造データに対する統計的あるいは機械学習モデルの学習性能には,グラフデータの適切な表現が不可欠である。
本稿では,グラフ上に局所化されたタイトフレームを形成するデシメーテッドフレームレットと呼ばれる,グラフデータのための新しい多スケール表現システムを提案する。
この効果は、トラフィックネットワークのマルチレゾリューション分析やグラフ分類タスクのグラフニューラルネットワークなど、現実世界のアプリケーションで実証されている。
論文 参考訳（メタデータ） (2020-12-12T23:57:17Z) - Wasserstein-based Graph Alignment [56.84964475441094]
我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。
提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
論文 参考訳（メタデータ） (2020-03-12T22:31:59Z) - Homology-Preserving Multi-Scale Graph Skeletonization Using Mapper on
Graphs [5.86893539706548]
本稿では、トポロジカルデータ解析の一般的なツールであるmapper構築をグラフ視覚化に適用することを提案する。
我々は,グラフのホモロジー保存骨格を生成するモグ (mog) と呼ばれる,重み付けされた非方向グラフを対象とするマッパー構成のバリエーションを開発する。
我々は,このような骨格のインタラクティブな探索を可能にするソフトウェアツールを提供し,本手法の合成および実世界のデータに対する有効性を実証する。
論文 参考訳（メタデータ） (2018-04-03T19:18:36Z)
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。