論文の概要: Random Walk Guided Hyperbolic Graph Distillation

• arxiv url: http://arxiv.org/abs/2501.15696v1
• Date: Sun, 26 Jan 2025 22:55:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:55:23.073177
• Title: Random Walk Guided Hyperbolic Graph Distillation
• Title（参考訳）: ハイパーボリックグラフ蒸留法によるランダムウォークガイド
• Authors: Yunbo Long, Liming Xu, Stefan Schoepf, Alexandra Brintrup,
• Abstract要約: 本稿ではランダムウォークス最適化(HyDRO)を用いたハイパーボリックグラフ蒸留法を提案する。 HyDROは、双曲埋め込みを利用して複雑な幾何学的パターンを捉え、双曲空間のスペクトルギャップを最適化する新しいグラフ蒸留手法である。 実験により、HyDROは強いタスク一般化を示し、ノード分類とリンク予測の両方において、常に最先端の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 46.5100809575555
• License:
• Abstract: Graph distillation (GD) is an effective approach to extract useful information from large-scale network structures. However, existing methods, which operate in Euclidean space to generate condensed graphs, struggle to capture the inherent tree-like geometry of real-world networks, resulting in distilled graphs with limited task-specific information for downstream tasks. Furthermore, these methods often fail to extract dynamic properties from graphs, which are crucial for understanding information flow and facilitating graph continual learning. This paper presents the Hyperbolic Graph Distillation with Random Walks Optimization (HyDRO), a novel graph distillation approach that leverages hyperbolic embeddings to capture complex geometric patterns and optimize the spectral gap in hyperbolic space. Experiments show that HyDRO demonstrates strong task generalization, consistently outperforming state-of-the-art methods in both node classification and link prediction tasks. HyDRO also effectively preserves graph random walk properties, producing condensed graphs that achieve enhanced performance in continual graph learning. Additionally, HyDRO achieves competitive results on mainstream graph distillation benchmarks, while maintaining a strong balance between privacy and utility, and exhibiting robust resistance to noises.
• Abstract（参考訳）: グラフ蒸留(GD)は,大規模ネットワーク構造から有用な情報を抽出する有効な手法である。 しかし、ユークリッド空間において凝縮グラフを生成する既存の手法は、実世界のネットワークの固有の木のような幾何学を捉えるのに苦労し、結果として下流のタスクに限定されたタスク固有情報を持つ蒸留グラフとなる。 さらに,これらの手法は,情報フローの理解とグラフ連続学習の促進に不可欠であるグラフからの動的特性の抽出に失敗することが多い。 本稿では,ハイパーボリックグラフ蒸留とランダムウォークス最適化(HyDRO)を提案する。これは,ハイパーボリック埋め込みを利用して複雑な幾何学的パターンを捕捉し,ハイパーボリック空間のスペクトルギャップを最適化する新しいグラフ蒸留手法である。 実験により、HyDROは強いタスク一般化を示し、ノード分類とリンク予測の両方において、常に最先端の手法よりも優れていた。 HyDROはまた、グラフランダムウォーク特性を効果的に保存し、連続グラフ学習における性能の向上を実現する凝縮グラフを生成する。 さらにHyDROは、プライバシとユーティリティの強いバランスを維持しつつ、主要なグラフ蒸留ベンチマーク上での競合的な結果を達成し、ノイズに対する堅牢な耐性を示す。

関連論文リスト

• Random Walk Diffusion for Efficient Large-Scale Graph Generation [0.43108040967674194]
  本稿では,ARROW-Diff(AutoRegressive RandOm Walk Diffusion)を提案する。 我々は、ARROW-Diffが、生成時間と多重グラフ統計の両方の観点から、他のベースライン手法を超越して、大きなグラフに効率的にスケールできることを実証した。
  論文  参考訳（メタデータ） (2024-08-08T13:42:18Z)
• RobGC: Towards Robust Graph Condensation [61.259453496191696]
  グラフニューラルネットワーク(GNN)は、グラフ表現学習の目覚ましい能力によって広く注目を集めている。 しかし,大規模グラフの普及は,その計算要求により,GNNトレーニングにとって大きな課題となる。 本稿では,GNNを効率よく学習し,性能を保ちつつ,情報的コンパクトなグラフを生成するために,GC(Graph Condensation)を提案する。
  論文  参考訳（メタデータ） (2024-06-19T04:14:57Z)
• Hypergraph-enhanced Dual Semi-supervised Graph Classification [14.339207883093204]
  半教師付きグラフ分類のためのハイパーグラフ拡張DuALフレームワークHEALを提案する。 ノード間の高次関係をよりよく探求するために,複雑なノード依存を適応的に学習するハイパーグラフ構造を設計する。 学習したハイパーグラフに基づいて,ハイパーエッジ間の相互作用を捉える線グラフを導入する。
  論文  参考訳（メタデータ） (2024-05-08T02:44:13Z)
• Simple Graph Condensation [30.85754566420301]
  グラフ凝縮(Graph condensation)は、グラフニューラルネットワーク(GNN)を小さな凝縮グラフにチューニングし、大規模なオリジナルグラフで使用する。 本稿では,SimGC(Simple Graph Condensation)フレームワークについて紹介する。 SimGCは既存のグラフ凝縮法に比べて最大10倍の高速化を実現している。
  論文  参考訳（メタデータ） (2024-03-22T05:04:48Z)
• Neural Graph Generator: Feature-Conditioned Graph Generation using Latent Diffusion Models [22.794561387716502]
  グラフ生成に条件付き潜在拡散モデルを利用する新しい手法であるニューラルグラフ生成器(NGG)を導入する。 NGGは複雑なグラフパターンをモデル化し、グラフ生成プロセスの制御を提供する。
  論文  参考訳（メタデータ） (2024-03-03T15:28:47Z)
• Edge but not Least: Cross-View Graph Pooling [76.71497833616024]
  本稿では,重要なグラフ構造情報を活用するために,クロスビューグラフプーリング(Co-Pooling)手法を提案する。 クロスビュー相互作用、エッジビュープーリング、ノードビュープーリングにより、相互にシームレスに強化され、より情報的なグラフレベルの表現が学習される。
  論文  参考訳（メタデータ） (2021-09-24T08:01:23Z)
• 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)
• Hierarchical Adaptive Pooling by Capturing High-order Dependency for Graph Representation Learning [18.423192209359158]
  グラフニューラルネットワーク(GNN)はノードレベルのグラフ表現学習タスクでグラフ構造化データを扱うのに十分成熟していることが証明されている。 本稿では,グラフ構造に適応する階層型グラフレベルの表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-13T06:22:24Z)
• GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
  本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。 学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。 GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
  論文  参考訳（メタデータ） (2020-07-07T16:51:39Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。