論文の概要: Piecewise Constant Spectral Graph Neural Network

• arxiv url: http://arxiv.org/abs/2505.04808v1
• Date: Wed, 07 May 2025 21:17:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 21:43:49.68197
• Title: Piecewise Constant Spectral Graph Neural Network
• Title（参考訳）: パルス定数スペクトルグラフニューラルネット
• Authors: Vahan Martirosyan, Jhony H. Giraldo, Fragkiskos D. Malliaros,
• Abstract要約: グラフニューラルネットワーク(GNN)は、データ内のグラフ構造を活用することで、さまざまな領域で大きな成功を収めている。 既存のスペクトルGNNは、スペクトル特性を捉えるために低度フィルタを使用しており、グラフのスペクトル特性が小さいため、完全には識別できない可能性がある。 これらの課題に対処するために、PieCoN(Constant Piecewise Spectral Graph Neural Network)を導入する。
• 参考スコア（独自算出の注目度）: 5.048196692772085
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks (GNNs) have achieved significant success across various domains by leveraging graph structures in data. Existing spectral GNNs, which use low-degree polynomial filters to capture graph spectral properties, may not fully identify the graph's spectral characteristics because of the polynomial's small degree. However, increasing the polynomial degree is computationally expensive and beyond certain thresholds leads to performance plateaus or degradation. In this paper, we introduce the Piecewise Constant Spectral Graph Neural Network(PieCoN) to address these challenges. PieCoN combines constant spectral filters with polynomial filters to provide a more flexible way to leverage the graph structure. By adaptively partitioning the spectrum into intervals, our approach increases the range of spectral properties that can be effectively learned. Experiments on nine benchmark datasets, including both homophilic and heterophilic graphs, demonstrate that PieCoN is particularly effective on heterophilic datasets, highlighting its potential for a wide range of applications.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、データ内のグラフ構造を活用することで、さまざまな領域で大きな成功を収めている。 既存のスペクトルGNNは、グラフのスペクトル特性を捉えるために低次多項式フィルタを使用しており、多項式の小さな度合いのため、グラフのスペクトル特性を完全には識別できない可能性がある。 しかし、多項式次数の増加は計算的に高価であり、一定の閾値を超えると性能の低下や劣化につながる。 本稿では,これらの課題に対処するため,PieCoN(Piecewise Constant Spectral Graph Neural Network)を提案する。 PieCoNは定数スペクトルフィルタと多項式フィルタを組み合わせて、グラフ構造を利用するためのより柔軟な方法を提供する。 スペクトルを間隔に適応的に分割することで、我々のアプローチは効果的に学習できるスペクトル特性の範囲を拡大する。 ホモフィリックグラフとヘテロフィリックグラフの両方を含む9つのベンチマークデータセットの実験は、PieCoNが特にヘテロフィリックデータセットに有効であることを示し、幅広い応用の可能性を強調している。

関連論文リスト

• Large-Scale Spectral Graph Neural Networks via Laplacian Sparsification: Technical Report [21.288230563135055]
  スペクトルグラフニューラルネットワーク(GNN)の伝搬パターンを近似する新しいグラフスペクトルスカラー化法を提案する。 提案手法では,入力ノード機能に線形レイヤを適用でき,エンドツーエンドのトレーニングや生の機能の処理が可能となる。
  論文  参考訳（メタデータ） (2025-01-08T15:36:19Z)
• GrassNet: State Space Model Meets Graph Neural Network [57.62885438406724]
  Graph State Space Network (GrassNet)は、任意のグラフスペクトルフィルタを設計するためのシンプルで効果的なスキームを提供する理論的なサポートを持つ、新しいグラフニューラルネットワークである。 我々の知る限り、我々の研究はグラフGNNスペクトルフィルタの設計にSSMを使った最初のものである。 9つの公開ベンチマークでの大規模な実験により、GrassNetは現実世界のグラフモデリングタスクにおいて優れたパフォーマンスを達成することが明らかになった。
  論文  参考訳（メタデータ） (2024-08-16T07:33:58Z)
• Polynomial Selection in Spectral Graph Neural Networks: An Error-Sum of Function Slices Approach [26.79625547648669]
  グラフフィルタの適用により、グラフニューラルネットワークに固有のスペクトル情報を活用するために、スペクトルグラフネットワークが提案されている。 様々な選択がスペクトルGNNの性能に大きな影響を与え、パラメータ選択の重要性が強調される。 我々は、狭帯域信号スライスを近似する選択肢として広く採用されている三角法に基づく高度なフィルタを開発した。
  論文  参考訳（メタデータ） (2024-04-15T11:35:32Z)
• HoloNets: Spectral Convolutions do extend to Directed Graphs [59.851175771106625]
  従来の知恵は、スペクトル畳み込みネットワークは無向グラフ上にしか展開できないと規定している。 ここでは、このグラフフーリエ変換への伝統的な依存が超フルであることを示す。 本稿では,新たに開発されたフィルタの周波数応答解釈を行い,フィルタ表現に使用するベースの影響を調査し,ネットワークを基盤とする特性演算子との相互作用について議論する。
  論文  参考訳（メタデータ） (2023-10-03T17:42:09Z)
• Specformer: Spectral Graph Neural Networks Meet Transformers [51.644312964537356]
  スペクトルグラフニューラルネットワーク(GNN)は、スペクトル領域グラフ畳み込みを通じてグラフ表現を学習する。 本稿では、全ての固有値の集合を効果的に符号化し、スペクトル領域で自己アテンションを行うSpecformerを紹介する。 複数のSpecformerレイヤを積み重ねることで、強力なスペクトルGNNを構築することができる。
  論文  参考訳（メタデータ） (2023-03-02T07:36:23Z)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• Stacked Graph Filter [19.343260981528186]
  グラフ信号処理の観点から,グラフ畳み込みネットワーク(GCN)について検討する。 学習可能な解パラメータでグラフフィルタを積み重ねることで、高度に適応的で堅牢なグラフ分類モデルを構築することができる。
  論文  参考訳（メタデータ） (2020-11-22T11:20:14Z)
• Gaussian Processes on Graphs via Spectral Kernel Learning [9.260186030255081]
  グラフのノード上で定義された信号の予測のためのグラフスペクトルに基づくガウス過程を提案する。 合成実験におけるモデルの解釈可能性を示し、様々な基底真理スペクトルフィルタを精度良く回収できることを示す。
  論文  参考訳（メタデータ） (2020-06-12T17:51:22Z)
• Graphon Pooling in Graph Neural Networks [169.09536309161314]
  グラフニューラルネットワーク(GNN)は、グラフによってモデル化された不規則構造上の信号の処理を含む様々なアプリケーションで効果的に使用されている。 本稿では,グラフのスペクトル特性を保存したグラフオンを用いて,GNNのプールとサンプリングを行う新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-03-03T21:04:20Z)

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。