Fugu-MT 論文翻訳(概要): Generating Large Semi-Synthetic Graphs of Any Size

論文の概要: Generating Large Semi-Synthetic Graphs of Any Size

arxiv url: http://arxiv.org/abs/2507.02166v1
Date: Wed, 02 Jul 2025 21:46:28 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-04 15:37:15.269886
Title: Generating Large Semi-Synthetic Graphs of Any Size
Title（参考訳）: 任意の大きさの半合成グラフを生成する
Authors: Rodrigo Tuna, Carlos Soares,
Abstract要約: グラフ生成はネットワーク科学において重要な領域である。近年のディープラーニングの進歩により、データ駆動型手法によるグラフの学習と生成が可能になった。本稿では,遅延グラフサンプリング生成(LGSG)を提案する。
参考スコア（独自算出の注目度）: 0.4419843514606336
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Graph generation is an important area in network science. Traditional approaches focus on replicating specific properties of real-world graphs, such as small diameters or power-law degree distributions. Recent advancements in deep learning, particularly with Graph Neural Networks, have enabled data-driven methods to learn and generate graphs without relying on predefined structural properties. Despite these advances, current models are limited by their reliance on node IDs, which restricts their ability to generate graphs larger than the input graph and ignores node attributes. To address these challenges, we propose Latent Graph Sampling Generation (LGSG), a novel framework that leverages diffusion models and node embeddings to generate graphs of varying sizes without retraining. The framework eliminates the dependency on node IDs and captures the distribution of node embeddings and subgraph structures, enabling scalable and flexible graph generation. Experimental results show that LGSG performs on par with baseline models for standard metrics while outperforming them in overlooked ones, such as the tendency of nodes to form clusters. Additionally, it maintains consistent structural characteristics across graphs of different sizes, demonstrating robustness and scalability.
Abstract（参考訳）: グラフ生成はネットワーク科学において重要な領域である。従来のアプローチでは、小さな直径や法則次数分布など、現実世界のグラフの特定の特性の複製に焦点が当てられていた。ディープラーニングの最近の進歩、特にグラフニューラルネットワークは、事前に定義された構造特性に頼ることなく、データ駆動型の手法でグラフを学習し、生成することを可能にする。これらの進歩にもかかわらず、現在のモデルはノードIDに依存して制限されており、入力グラフよりも大きなグラフを生成し、ノード属性を無視する能力を制限する。これらの課題に対処するために,拡散モデルとノード埋め込みを利用した新しいフレームワークであるLatent Graph Smpling Generation (LGSG)を提案する。このフレームワークはノードIDへの依存を排除し、ノード埋め込みとサブグラフ構造の分布をキャプチャし、スケーラブルで柔軟なグラフ生成を可能にする。実験の結果、LGSGは標準メトリクスのベースラインモデルと同等に動作し、ノードがクラスタを形成する傾向など、見過ごされがちなモデルよりも優れていた。さらに、異なるサイズのグラフをまたいだ一貫した構造特性を維持し、堅牢性とスケーラビリティを実証する。

関連論文リスト

GSAT: Graph Structure Attention Networks [6.546071689641213]
グラフニューラルネットワーク(GNN)は、グラフ構造で表されるデータを処理する強力なツールとして登場した。ノード近傍でリッチな局所位相情報を符号化する各ノードの構造表現は、しばしばモデリングで見過ごされる重要なタイプの特徴である。本稿では、匿名ランダムウォーク(ARW)によってモデル化されたこれらの構造情報を活用し、グラフ構造注意ネットワーク(GSAT)を導入して、元の属性と構造表現を統合する。
論文参考訳（メタデータ） (2025-05-27T14:54:08Z)
Scalable Graph Generative Modeling via Substructure Sequences [37.64864614356634]
本稿では,グラフ生成用トランスフォーマー事前学習フレームワークである生成グラフパターンマシン(G$2$PM)を紹介する。 G$2$PMはグラフインスタンスをサブストラクチャのシーケンスとして表現し、生成前トレーニングを用いて一般化可能で転送可能な表現を学習する。 ogbn-arxivベンチマークでは、G$2$PMはモデルのサイズを最大60Mのパラメータで改善し続けており、かなり小さなスケールでプラトーを生成する以前の生成的アプローチよりも優れている。
論文参考訳（メタデータ） (2025-05-22T02:16:34Z)
Beyond Message Passing: Neural Graph Pattern Machine [50.78679002846741]
本稿では,グラフサブストラクチャから直接学習することで,メッセージパッシングをバイパスする新しいフレームワークであるNeural Graph Pattern Machine(GPM)を紹介する。 GPMはタスク関連グラフパターンを効率的に抽出し、エンコードし、優先順位付けする。
論文参考訳（メタデータ） (2025-01-30T20:37:47Z)
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)
Graph Size-imbalanced Learning with Energy-guided Structural Smoothing [13.636616140250908]
実世界のグラフは通常、マルチグラフ分類における大きさ不均衡の問題に悩まされる。近年の研究では、市販のグラフニューラルネットワーク(GNN)が、長期設定下でのモデル性能を損なうことが報告されている。我々は,頭部と尾部のグラフの特徴を円滑に表現する,textbfSIMBAという新しいエネルギーベースサイズ不均衡学習フレームワークを提案する。
論文参考訳（メタデータ） (2024-12-23T14:06:49Z)
OpenGraph: Towards Open Graph Foundation Models [20.401374302429627]
グラフニューラルネットワーク(GNN)は、構造情報を符号化するための有望な技術として登場した。主な課題は、異なる性質を持つグラフデータを一般化することの難しさである。この課題に対処するために,OpenGraphと呼ばれる新しいグラフ基盤モデルを提案する。
論文参考訳（メタデータ） (2024-03-02T08:05:03Z)
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)
GraphMaker: Can Diffusion Models Generate Large Attributed Graphs? [7.330479039715941]
ノード属性を持つ大規模グラフは、様々な現実世界のアプリケーションでますます一般的になっている。従来のグラフ生成法は、これらの複雑な構造を扱う能力に制限がある。本稿では,大きな属性グラフを生成するために特別に設計された新しい拡散モデルであるGraphMakerを紹介する。
論文参考訳（メタデータ） (2023-10-20T22:12:46Z)
NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文参考訳（メタデータ） (2023-06-14T09:21:15Z)
GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文参考訳（メタデータ） (2022-12-01T11:49:07Z)
Graph Generative Model for Benchmarking Graph Neural Networks [73.11514658000547]
本稿では,プライバシ制御により実世界のグラフの分布を学習し,再現する新しいグラフ生成モデルを提案する。我々のモデルは、GNNモデルのベンチマークに効果的に使用できる大規模な実世界のグラフの、プライバシ制御された合成代用をうまく生成することができる。
論文参考訳（メタデータ） (2022-07-10T06:42:02Z)
GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
論文参考訳（メタデータ） (2021-06-05T07:07:52Z)

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。