Fugu-MT 論文翻訳(概要): The Generalized Skew Spectrum of Graphs

論文の概要: The Generalized Skew Spectrum of Graphs

arxiv url: http://arxiv.org/abs/2505.23609v1
Date: Thu, 29 May 2025 16:18:01 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-30 18:14:07.980485
Title: The Generalized Skew Spectrum of Graphs
Title（参考訳）: グラフの一般化スキュースペクトル
Authors: Armando Bellante, Martin Plávala, Alessandro Luongo,
Abstract要約: 我々は、同型不変でよりリッチなグラフ構造を埋め込むことのできる新しいグラフ不変量のクラスを導入する。一般化保存をこの族に適用することにより、スキュースペクトルの表現性を同じ計算コストで改善する。
参考スコア（独自算出の注目度）: 42.70026220176376
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper proposes a family of permutation-invariant graph embeddings, generalizing the Skew Spectrum of graphs of Kondor & Borgwardt (2008). Grounded in group theory and harmonic analysis, our method introduces a new class of graph invariants that are isomorphism-invariant and capable of embedding richer graph structures - including attributed graphs, multilayer graphs, and hypergraphs - which the Skew Spectrum could not handle. Our generalization further defines a family of functions that enables a trade-off between computational complexity and expressivity. By applying generalization-preserving heuristics to this family, we improve the Skew Spectrum's expressivity at the same computational cost. We formally prove the invariance of our generalization, demonstrate its improved expressiveness through experiments, and discuss its efficient computation.
Abstract（参考訳）: 本稿では、Kondor & Borgwardt (2008) のグラフのスキュースペクトルを一般化した置換不変グラフ埋め込みの族を提案する。グループ理論と調和解析に基礎を置き、スキュースペクトルが扱えない属性グラフ、多層グラフ、ハイパーグラフを含むよりリッチなグラフ構造を埋め込むことのできる、同型不変なグラフ不変量の新しいクラスを導入する。我々の一般化はさらに、計算複雑性と表現性の間のトレードオフを可能にする関数の族を定義する。一般化保存ヒューリスティックスをこの族に適用することにより、スキュースペクトルの表現性を同じ計算コストで改善する。一般化の不変性を正式に証明し、実験による表現性の向上を実証し、その効率的な計算について論じる。

関連論文リスト

What Improves the Generalization of Graph Transformers? A Theoretical Dive into the Self-attention and Positional Encoding [67.59552859593985]
自己アテンションと位置エンコーディングを組み込んだグラフトランスフォーマーは、さまざまなグラフ学習タスクのための強力なアーキテクチャとして登場した。本稿では,半教師付き分類のための浅いグラフ変換器の理論的検討について紹介する。
論文参考訳（メタデータ） (2024-06-04T05:30:16Z)
CKGConv: General Graph Convolution with Continuous Kernels [24.58050212186722]
グラフ位置符号化によって導出される疑似座標の連続関数としてカーネルをパラメータ化することで、新しい一般的なグラフ畳み込みフレームワークを提案する。このContinuous Kernel Graph Convolution(CKGConv)と名付けます。 CKGConvベースのネットワークは、既存のグラフ畳み込みネットワークよりも優れており、様々なグラフデータセットで最高のグラフ変換器と互換性があることを示す。
論文参考訳（メタデータ） (2024-04-21T10:26:13Z)
Homomorphism Counts for Graph Neural Networks: All About That Basis [8.25219440625445]
我々は、よりきめ細かいアプローチを論じ、対象パターンの基底''にすべての構造の準同型数を含む。これにより計算複雑性の面で追加のオーバーヘッドを発生させずに、より表現力のあるアーキテクチャが得られる。
論文参考訳（メタデータ） (2024-02-13T16:57:06Z)
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)
Generalized Spectral Clustering for Directed and Undirected Graphs [4.286327408435937]
本稿では、有向グラフと無向グラフの両方に対処できる一般化スペクトルクラスタリングフレームワークを提案する。我々のアプローチは、グラフ関数の一般化されたディリクレエネルギーとして導入する新しい函数のスペクトル緩和に基づいている。また、グラフ上の自然ランダムウォークの反復パワーから構築された正規化尺度の実用的なパラメトリゼーションを提案する。
論文参考訳（メタデータ） (2022-03-07T09:18:42Z)
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)
Scaling Graph Clustering with Distributed Sketches [1.1011268090482575]
スペクトルクラスタリングにインスパイアされた手法として,ランダムな次元還元プロジェクションから得られた行列スケッチを用いる。提案手法は,完全に動的なブロックモデルストリームが与えられた場合,性能の高いクラスタリング結果が得られる埋め込みを生成する。また、ブロックモデルパラメータがその後の埋め込みの必要次元に与える影響についても検討し、ランダムなプロジェクションが分散メモリにおけるグラフクラスタリングの性能を大幅に改善できることを示す。
論文参考訳（メタデータ） (2020-07-24T17:38:04Z)
Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文参考訳（メタデータ） (2020-06-19T13:09:44Z)
The Inverse G-Wishart Distribution and Variational Message Passing [0.0]
Inverse G-Wishart family of distributions(英語版)は、基本的な変分メッセージパッシング係数グラフの断片をエレガントかつ簡潔に表現できることを示した。因子グラフ上のメッセージパッシングは、任意のグラフィカルな大モデルに対する近似推論アルゴリズムのコーディングのための強力なパラダイムである。
論文参考訳（メタデータ） (2020-05-20T06:59:48Z)
Permutation Invariant Graph Generation via Score-Based Generative Modeling [114.12935776726606]
本稿では,最近のスコアベース生成モデルを用いて,グラフモデリングにおける置換不変手法を提案する。特に、入力グラフにおけるデータ分布の勾配をモデル化するために、置換同変のマルチチャネルグラフニューラルネットワークを設計する。グラフ生成では、我々の学習アプローチはベンチマークデータセット上の既存のモデルよりも良い、あるいは同等の結果を得る。
論文参考訳（メタデータ） (2020-03-02T03:06:14Z)

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。