論文の概要: On Measuring Long-Range Interactions in Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2506.05971v1
• Date: Fri, 06 Jun 2025 10:48:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-09 17:28:43.435843
• Title: On Measuring Long-Range Interactions in Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークにおける長距離相互作用の測定について
• Authors: Jacob Bamberger, Benjamin Gutteridge, Scott le Roux, Michael M. Bronstein, Xiaowen Dong,
• Abstract要約: 長距離グラフタスクは、グラフニューラルネットワーク研究においてオープンな問題である。 グラフ上の演算子に対するレンジ測度を導入し、合成実験により検証する。
• 参考スコア（独自算出の注目度）: 24.974333602585368
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Long-range graph tasks -- those dependent on interactions between distant nodes -- are an open problem in graph neural network research. Real-world benchmark tasks, especially the Long Range Graph Benchmark, have become popular for validating the long-range capability of proposed architectures. However, this is an empirical approach that lacks both robustness and theoretical underpinning; a more principled characterization of the long-range problem is required. To bridge this gap, we formalize long-range interactions in graph tasks, introduce a range measure for operators on graphs, and validate it with synthetic experiments. We then leverage our measure to examine commonly used tasks and architectures, and discuss to what extent they are, in fact, long-range. We believe our work advances efforts to define and address the long-range problem on graphs, and that our range measure will aid evaluation of new datasets and architectures.
• Abstract（参考訳）: 遠く離れたノード間の相互作用に依存する長距離グラフタスクは、グラフニューラルネットワーク研究においてオープンな問題である。 実世界のベンチマークタスク、特にLong Range Graph Benchmarkは、提案されたアーキテクチャの長距離能力を検証するのに人気になっている。 しかし、これはロバスト性と理論的アンダーピンニングの両方に欠ける経験的アプローチであり、より原理化された長距離問題の特徴づけが必要である。 このギャップを埋めるために、グラフタスクにおける長距離相互作用を形式化し、グラフ上の演算子のレンジ測度を導入し、合成実験で検証する。 次に、私たちの測度を活用して、一般的に使用されているタスクやアーキテクチャを調べ、それらがどの程度、実際、長距離であるかについて議論します。 我々の研究は、グラフ上の長距離問題を定義し、対処するための努力を進めており、我々のレンジ尺度は、新しいデータセットやアーキテクチャの評価に役立つと信じています。

関連論文リスト

• Towards Quantifying Long-Range Interactions in Graph Machine Learning: a Large Graph Dataset and a Measurement [10.124564216461858]
  グラフ表現学習には長距離依存が不可欠である。 既存のデータセットのほとんどは、帰納的タスクに適した小さなグラフに焦点を当てており、長距離インタラクションに関する限られた洞察を提供する。 都市ネットワークワークス(City-Networks)は、現実世界の都市道路から派生した、新しい大規模トランスダクティブ学習データセットである。
  論文  参考訳（メタデータ） (2025-03-12T02:51:17Z)
• Performance Heterogeneity in Graph Neural Networks: Lessons for Architecture Design and Preprocessing [1.1126342180866644]
  グラフニューラルネットワークは、グラフレベルの学習において最もポピュラーなアーキテクチャとして登場した。 優れたパフォーマンスを実現するには、注意深いモデル設計が必要です。 選択的なアプローチを提案する。これは、個々のパフォーマンスがリライトの恩恵を受けるグラフのみを対象としている。
  論文  参考訳（メタデータ） (2025-03-01T16:18:07Z)
• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• Long Range Propagation on Continuous-Time Dynamic Graphs [18.5534584418248]
  Continuous-Time Graph Anti-Symmetric Network (CTAN) は情報伝達の効率化を目的としている。 合成長範囲ベンチマークと実世界のベンチマークにおけるCTANの実証的性能は他の方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-06-04T19:42:19Z)
• Unsupervised Graph Neural Architecture Search with Disentangled Self-supervision [51.88848982611515]
  教師なしグラフニューラルアーキテクチャサーチは、文献では未発見のままである。 本稿では,Distangled Self-supervised Graph Neural Architecture Searchモデルを提案する。 我々のモデルは、教師なしの方法で、いくつかのベースライン手法に対して最先端のパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2024-03-08T05:23:55Z)
• Over-Squashing in Graph Neural Networks: A Comprehensive survey [0.0]
  この調査は、グラフニューラルネットワーク(GNN)におけるオーバースカッシングの課題を掘り下げるものだ。 オーバースカッシングの原因、結果、緩和戦略を包括的に探求する。 グラフの書き換え、新しい正規化、スペクトル分析、曲率に基づく戦略など、様々な手法がレビューされている。 また、オーバー・スムーシングなど、オーバー・スカッシングと他のGNN制限との相互作用についても論じている。
  論文  参考訳（メタデータ） (2023-08-29T18:46:15Z)
• MGNNI: Multiscale Graph Neural Networks with Implicit Layers [53.75421430520501]
  暗黙グラフニューラルネットワーク(GNN)は、基礎となるグラフの長距離依存性をキャプチャするために提案されている。 暗黙的GNNの2つの弱点は、長距離依存を捉えるための限られた有効範囲による制約付き表現性と、複数の解像度でグラフ上のマルチスケール情報をキャプチャする能力の欠如である。 グラフ上のマルチスケール構造をモデル化できる暗黙の層(MGNNI)を持つマルチスケールグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-10-15T18:18:55Z)
• Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
  グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。 最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。 科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
  論文  参考訳（メタデータ） (2022-05-15T11:38:14Z)
• Hierarchical graph neural nets can capture long-range interactions [8.067880298298185]
  与えられたグラフの多重解像度表現を利用する階層的メッセージパッシングモデルについて検討する。 これにより、ローカル情報を失うことなく、大きな受容領域にまたがる特徴の学習が容易になる。 階層グラフネット(HGNet)を導入し、任意の2つの接続ノードに対して、最大対数長のメッセージパスパスが存在することを保証します。
  論文  参考訳（メタデータ） (2021-07-15T16:24:22Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)

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。

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。