論文の概要: Directed Acyclic Graph Convolutional Networks

• arxiv url: http://arxiv.org/abs/2506.12218v1
• Date: Fri, 13 Jun 2025 20:40:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-17 17:28:45.48981
• Title: Directed Acyclic Graph Convolutional Networks
• Title（参考訳）: 直進非巡回グラフ畳み込みネットワーク
• Authors: Samuel Rey, Hamed Ajorlou, Gonzalo Mateos,
• Abstract要約: 直接非巡回グラフ(DAG)は、因果推論、スケジューリング、ニューラルアーキテクチャ探索を含む科学と工学の応用の中心である。 本稿では,DAGがサポートする信号からの畳み込み学習に特化した,新しいグラフニューラルネットワーク(GNN)アーキテクチャであるDAG Convolutional Network(DCN)を紹介する。
• 参考スコア（独自算出の注目度）: 10.282099295800322
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Directed acyclic graphs (DAGs) are central to science and engineering applications including causal inference, scheduling, and neural architecture search. In this work, we introduce the DAG Convolutional Network (DCN), a novel graph neural network (GNN) architecture designed specifically for convolutional learning from signals supported on DAGs. The DCN leverages causal graph filters to learn nodal representations that account for the partial ordering inherent to DAGs, a strong inductive bias does not present in conventional GNNs. Unlike prior art in machine learning over DAGs, DCN builds on formal convolutional operations that admit spectral-domain representations. We further propose the Parallel DCN (PDCN), a model that feeds input DAG signals to a parallel bank of causal graph-shift operators and processes these DAG-aware features using a shared multilayer perceptron. This way, PDCN decouples model complexity from graph size while maintaining satisfactory predictive performance. The architectures' permutation equivariance and expressive power properties are also established. Comprehensive numerical tests across several tasks, datasets, and experimental conditions demonstrate that (P)DCN compares favorably with state-of-the-art baselines in terms of accuracy, robustness, and computational efficiency. These results position (P)DCN as a viable framework for deep learning from DAG-structured data that is designed from first (graph) signal processing principles.
• Abstract（参考訳）: 直接非巡回グラフ(DAG)は、因果推論、スケジューリング、ニューラルアーキテクチャ探索を含む科学と工学の応用の中心である。 本研究では,DAGでサポートされている信号からの畳み込み学習に特化した新しいグラフニューラルネットワーク(GNN)アーキテクチャであるDAG Convolutional Network(DCN)を紹介する。 DCNは因果グラフフィルタを利用して、DAGに固有の部分順序を考慮に入れた結節表現を学習する。 DAG上の機械学習の以前の技術とは異なり、DCNはスペクトルドメイン表現を含む正式な畳み込み操作に基づいている。 さらに、入力DAG信号を因果グラフシフト演算子の並列バンクに供給するParallel DCN(PDCN)を提案し、共有多層パーセプトロンを用いてこれらのDAG認識特徴を処理する。 このように、PDCNはグラフサイズからモデルの複雑さを分離し、良好な予測性能を維持する。 アーキテクチャの置換等式と表現力特性も確立されている。 複数のタスク、データセット、実験条件にわたる総合的な数値テストにより、(P)DCNは精度、堅牢性、計算効率の点で最先端のベースラインと良好に比較できることを示した。 これらの結果から,最初の(グラフ)信号処理原理から設計したDAG構造化データから深層学習のためのフレームワークとして(P)DCNを位置づけた。

関連論文リスト

• LayerDAG: A Layerwise Autoregressive Diffusion Model for Directed Acyclic Graph Generation [17.94316378710172]
  本稿では,自己回帰拡散モデルであるLayerDAGを導入し,リアル指向非巡回グラフ(DAG)を生成する。 ノードの部分順序を二部グラフのシーケンスとして解釈することにより、LayerDAGは、強いノード依存を順次処理可能な管理可能なユニットに分離する。 様々なコンピューティングプラットフォームからの合成および実世界のフローグラフに関する実験により、LayerDAGはより優れた統計特性とベンチマーク性能を持つ有効なDAGを生成することが示された。
  論文  参考訳（メタデータ） (2024-11-04T17:47:15Z)
• DFA-GNN: Forward Learning of Graph Neural Networks by Direct Feedback Alignment [57.62885438406724]
  グラフニューラルネットワークは、様々なアプリケーションにまたがる強力なパフォーマンスで認識されている。 BPには、その生物学的妥当性に挑戦する制限があり、グラフベースのタスクのためのトレーニングニューラルネットワークの効率、スケーラビリティ、並列性に影響を与える。 半教師付き学習のケーススタディを用いて,GNNに適した新しい前方学習フレームワークであるDFA-GNNを提案する。
  論文  参考訳（メタデータ） (2024-06-04T07:24:51Z)
• Convolutional Learning on Directed Acyclic Graphs [10.282099295800322]
  我々は、有向非巡回グラフ(DAG)上で定義されたデータから学習するための新しい畳み込みアーキテクチャを開発する。 我々は,学習可能なDAGフィルタを統合した新しい畳み込みグラフニューラルネットワークを開発し,グラフトポロジによって誘導される部分順序を考慮に入れた。
  論文  参考訳（メタデータ） (2024-05-05T21:30:18Z)
• Neural Tangent Kernels Motivate Graph Neural Networks with Cross-Covariance Graphs [94.44374472696272]
  グラフニューラルネットワーク(GNN)の文脈におけるNTKとアライメントについて検討する。 その結果、2層GNNのアライメントの最適性に関する理論的保証が確立された。 これらの保証は、入力と出力データの相互共分散の関数であるグラフシフト演算子によって特徴づけられる。
  論文  参考訳（メタデータ） (2023-10-16T19:54:21Z)
• Label Deconvolution for Node Representation Learning on Large-scale Attributed Graphs against Learning Bias [72.33336385797944]
  本稿では,学習バイアスを軽減するため,ラベルの効率的な正規化手法であるラベルデコンボリューション(LD)を提案する。 LDはOpen Graph Benchmarkデータセット上で最先端の手法よりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-09-26T13:09:43Z)
• Graph Neural Networks with Parallel Neighborhood Aggregations for Graph Classification [14.112444998191698]
  グラフニューラルネットワーク(GNN)モデルを用いたグラフ分類に着目し、並列に配置された近傍グラフ演算子のバンクを用いてノード特徴をプリ計算する。 これらのGNNモデルには、事前計算によるトレーニングと推論時間の削減という自然な利点がある。 本研究は,様々な実世界のデータセット上で,開発モデルが最先端の性能を達成することを数値実験により実証する。
  論文  参考訳（メタデータ） (2021-11-22T19:19:40Z)
• Directed Acyclic Graph Neural Networks [9.420935957200518]
  私たちは、特殊な、しかし広く使用されているグラフ-DAG-に焦点を当て、ニューラルネットワーク設計に強い誘導バイアス-部分順序付け-を注入します。 本論文では,部分順序で定義されるフローに応じた情報処理を行うアーキテクチャである DAGNN を提案する。
  論文  参考訳（メタデータ） (2021-01-20T04:50:16Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)

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。