論文の概要: GraphFLEx: Structure Learning Framework for Large Expanding Graphs

• arxiv url: http://arxiv.org/abs/2505.12323v1
• Date: Sun, 18 May 2025 09:33:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.164094
• Title: GraphFLEx: Structure Learning Framework for Large Expanding Graphs
• Title（参考訳）: GraphFLEx: 大きな拡張グラフのための構造学習フレームワーク
• Authors: Mohit Kataria, Nikita Malik, Sandeep Kumar, Jayadeva,
• Abstract要約: 大規模および拡張グラフにおけるグラフ構造学習のための統一的でスケーラブルなフレームワークを提案する。 GraphFLExは、エッジの形成をクラスタリングと粗い処理の組み合わせによって識別されたノードの構造的に関連するサブセットに制限することで、スケーラビリティのボトルネックを軽減する。 学習パラダイム、粗い戦略、クラスタリングメソッドの多様な選択を統合することで、48のフレキシブルな設定をサポートする。
• 参考スコア（独自算出の注目度）: 4.831609704970507
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph structure learning is a core problem in graph-based machine learning, essential for uncovering latent relationships and ensuring model interpretability. However, most existing approaches are ill-suited for large-scale and dynamically evolving graphs, as they often require complete re-learning of the structure upon the arrival of new nodes and incur substantial computational and memory costs. In this work, we propose GraphFLEx: a unified and scalable framework for Graph Structure Learning in Large and Expanding Graphs. GraphFLEx mitigates the scalability bottlenecks by restricting edge formation to structurally relevant subsets of nodes identified through a combination of clustering and coarsening techniques. This dramatically reduces the search space and enables efficient, incremental graph updates. The framework supports 48 flexible configurations by integrating diverse choices of learning paradigms, coarsening strategies, and clustering methods, making it adaptable to a wide range of graph settings and learning objectives. Extensive experiments across 26 diverse datasets and Graph Neural Network architectures demonstrate that GraphFLEx achieves state-of-the-art performance with significantly improved scalability.
• Abstract（参考訳）: グラフ構造学習は、グラフベースの機械学習における中核的な問題であり、潜伏関係の解明とモデルの解釈可能性の確保に不可欠である。 しかし、既存のほとんどのアプローチは大規模で動的に進化するグラフには適していない。 本稿では,グラフ構造学習のためのグラフFLExを提案する。 GraphFLExは、エッジの形成をクラスタリングと粗い処理の組み合わせによって識別されたノードの構造的に関連するサブセットに制限することで、スケーラビリティのボトルネックを軽減する。 これにより、検索スペースが劇的に削減され、効率的でインクリメンタルなグラフ更新が可能になる。 このフレームワークは48のフレキシブルな設定をサポートし、学習パラダイム、粗い戦略、クラスタリングメソッドの多様な選択を統合し、幅広いグラフ設定や学習目標に適応できるようにする。 26の多様なデータセットとGraph Neural Networkアーキテクチャにわたる大規模な実験は、GraphFLExが最先端のパフォーマンスを達成し、スケーラビリティが大幅に向上したことを示している。

関連論文リスト

• GraphEdit: Large Language Models for Graph Structure Learning [14.16155596597421]
  グラフ構造学習(GSL)は、グラフ構造データ中のノード間の固有の依存関係と相互作用をキャプチャすることに焦点を当てている。 既存のGSL法は、監督信号として明示的なグラフ構造情報に大きく依存している。 グラフ構造化データの複雑なノード関係を学習するために,大規模言語モデル(LLM)を利用したグラフ編集を提案する。
  論文  参考訳（メタデータ） (2024-02-23T08:29:42Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• 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。