論文の概要: GGBall: Graph Generative Model on Poincaré Ball

• arxiv url: http://arxiv.org/abs/2506.07198v1
• Date: Sun, 08 Jun 2025 15:43:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.711106
• Title: GGBall: Graph Generative Model on Poincaré Ball
• Title（参考訳）: GGBall:ポアンカレボールのグラフ生成モデル
• Authors: Tianci Bu, Chuanrui Wang, Hao Ma, Haoren Zheng, Xin Lu, Tailin Wu,
• Abstract要約: GGBallは、幾何学的帰納バイアスと現代的な生成パラダイムを統合する、グラフ生成のための新しい双曲的フレームワークである。 我々のモデルは、コミュニティ・スモールでは75%以上、エゴ・スモールでは40%以上、最先端のベースラインでは40%以上減少する。
• 参考スコア（独自算出の注目度）: 10.796246797823557
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating graphs with hierarchical structures remains a fundamental challenge due to the limitations of Euclidean geometry in capturing exponential complexity. Here we introduce \textbf{GGBall}, a novel hyperbolic framework for graph generation that integrates geometric inductive biases with modern generative paradigms. GGBall combines a Hyperbolic Vector-Quantized Autoencoder (HVQVAE) with a Riemannian flow matching prior defined via closed-form geodesics. This design enables flow-based priors to model complex latent distributions, while vector quantization helps preserve the curvature-aware structure of the hyperbolic space. We further develop a suite of hyperbolic GNN and Transformer layers that operate entirely within the manifold, ensuring stability and scalability. Empirically, our model reduces degree MMD by over 75\% on Community-Small and over 40\% on Ego-Small compared to state-of-the-art baselines, demonstrating an improved ability to preserve topological hierarchies. These results highlight the potential of hyperbolic geometry as a powerful foundation for the generative modeling of complex, structured, and hierarchical data domains. Our code is available at \href{https://github.com/AI4Science-WestlakeU/GGBall}{here}.
• Abstract（参考訳）: 階層構造を持つグラフの生成は、指数複雑性を捉えるユークリッド幾何学の限界のため、依然として根本的な課題である。 ここでは、幾何学的帰納バイアスと現代的な生成パラダイムを統合するグラフ生成のための新しい双曲的フレームワークである「textbf{GGBall}」を紹介する。 GGBall は、HVQVAE (Hyperbolic Vector-Quantized Autoencoder) と閉形式測地学で定義されたリーマンフローマッチングを組み合わせたものである。 ベクトル量子化は双曲空間の曲率認識構造を保存するのに有効である。 我々はさらに、多様体内で完全に動作し、安定性とスケーラビリティを確保する、双曲型GNNおよびトランスフォーマー層のスイートを開発する。 実験により,コミュニティ・スモールの次数MDを75%以上,エゴ・スモールの次数MDを40%以上削減し,トポロジ的階層を維持する能力の向上を実証した。 これらの結果は、複雑な、構造化された、階層的なデータドメインの生成モデリングの強力な基盤として、双曲幾何学の可能性を強調している。 私たちのコードは \href{https://github.com/AI4Science-WestlakeU/GGBall}{here} で利用可能です。

関連論文リスト

• Lorentzian Graph Isomorphic Network [0.0]
  Lorentzian Graph Isomorphic Network (LGIN)は、Lorentzianモデル内での識別性を高めるために設計された新しいHGNNである。 LGINは、強力で差別性の高いGNNアーキテクチャの原理をリーマン多様体に適応させた最初のものである。
  論文  参考訳（メタデータ） (2025-03-31T18:49:34Z)
• Hyperbolic Delaunay Geometric Alignment [52.835250875177756]
  双曲空間におけるデータセットの比較のための類似度スコアを提案する。 中心となる考え方は、与えられた集合をまたいだデータポイントを接続する双曲デラウネーグラフのエッジを数えることである。 人工および実生活の生物学的データに関する実証的研究を行い、HyperDGAが集合間の古典的距離の双曲バージョンより優れていることを示す。
  論文  参考訳（メタデータ） (2024-04-12T17:14:58Z)
• Curve Your Attention: Mixed-Curvature Transformers for Graph Representation Learning [77.1421343649344]
  本稿では,一定曲率空間の積を完全に操作するトランスフォーマーの一般化を提案する。 また、非ユークリッド注意に対するカーネル化されたアプローチを提供し、ノード数とエッジ数に線形に時間とメモリコストでモデルを実行できるようにします。
  論文  参考訳（メタデータ） (2023-09-08T02:44:37Z)
• Hyperbolic Graph Diffusion Model [24.049660417511074]
  双曲グラフ拡散モデル(HGDM)と呼ばれる新しいグラフ生成法を提案する。 HGDMは、ノードを連続した双曲埋め込みにエンコードするオートエンコーダと、双曲潜在空間で動作するDMで構成される。 実験により、HGDMはグラフおよび分子生成ベンチマークにおいて、高度に階層的な構造を持つグラフ生成の品質を48%向上させることで、より良い性能を実現することが示された。
  論文  参考訳（メタデータ） (2023-06-13T08:22:18Z)
• Geometry Interaction Knowledge Graph Embeddings [153.69745042757066]
  ユークリッド空間,双曲空間,超球空間間の空間構造を対話的に学習する幾何学的相互作用知識グラフ埋め込み(GIE)を提案する。 提案したGIEは、よりリッチなリレーショナル情報、モデルキー推論パターンをキャプチャし、エンティティ間の表現的セマンティックマッチングを可能にする。
  論文  参考訳（メタデータ） (2022-06-24T08:33:43Z)
• A Unification Framework for Euclidean and Hyperbolic Graph Neural Networks [8.080621697426997]
  ハイパーボリックニューラルネットワークは、グラフデータセット固有の階層を効果的にキャプチャする。 層内の複数の非連続(ジャイロ-)ベクトル空間を絡み合わせることで、一般化と拡張性の観点から制限される。 検索空間としてPoincareディスクモデルを提案し,ディスク上にすべての近似を適用する。 我々のモデルは、解釈可能性や様々なモデルコンポーネントの効率的な実行といったユークリッドネットワークのパワーを利用するだけでなく、様々なベンチマークにおいてユークリッドと双曲の双方よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-09T05:33:02Z)
• ACE-HGNN: Adaptive Curvature Exploration Hyperbolic Graph Neural Network [72.16255675586089]
  本稿では、入力グラフと下流タスクに基づいて最適な曲率を適応的に学習する適応曲率探索ハイパーボリックグラフニューラルネットワークACE-HGNNを提案する。 複数の実世界のグラフデータセットの実験は、競争性能と優れた一般化能力を備えたモデル品質において、顕著で一貫したパフォーマンス改善を示す。
  論文  参考訳（メタデータ） (2021-10-15T07:18:57Z)
• Unit Ball Model for Hierarchical Embeddings in Complex Hyperbolic Space [28.349200177632852]
  双曲空間における階層構造を持つデータの表現を学習することは近年注目を集めている。 複素双曲空間の単位球モデルにおいてグラフ埋め込みを学ぶことを提案する。
  論文  参考訳（メタデータ） (2021-05-09T16:09:54Z)
• Hyperbolic Variational Graph Neural Network for Modeling Dynamic Graphs [77.33781731432163]
  我々は,ノード表現の推論を目的とした双曲空間における動的グラフ表現を初めて学習する。 本稿では,HVGNNと呼ばれる新しいハイパーボリック変動グラフネットワークを提案する。 特に,動力学をモデル化するために,理論的に接地した時間符号化手法に基づく時間gnn(tgnn)を導入する。
  論文  参考訳（メタデータ） (2021-04-06T01:44:15Z)
• Hyperbolic Neural Networks++ [66.16106727715061]
  ニューラルネットワークの基本成分を1つの双曲幾何モデル、すなわちポアンカーの球モデルで一般化する。 実験により, 従来の双曲成分と比較してパラメータ効率が優れ, ユークリッド成分よりも安定性と性能が優れていた。
  論文  参考訳（メタデータ） (2020-06-15T08:23:20Z)

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。