論文の概要: Geometric Generative Modeling with Noise-Conditioned Graph Networks

• arxiv url: http://arxiv.org/abs/2507.09391v1
• Date: Sat, 12 Jul 2025 20:19:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:23.070525
• Title: Geometric Generative Modeling with Noise-Conditioned Graph Networks
• Title（参考訳）: ノイズ依存グラフネットワークを用いた幾何学的生成モデル
• Authors: Peter Pao-Huang, Mitchell Black, Xiaojie Qiu,
• Abstract要約: 生成時のノイズレベルに応じてアーキテクチャを動的に変更するグラフニューラルネットワークを導入する。 我々の理論的および実証的な分析は、ノイズが増加するにつれて、グラフはますます遠い隣人の情報を必要とすることを明らかにしている。 我々は,NCGNの特定のインスタンス化である動的メッセージパッシング(DMP)を開発し,ノイズレベルへのメッセージパッシングの範囲と解像度を両立させる。
• 参考スコア（独自算出の注目度）: 2.6831773062745863
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative modeling of graphs with spatial structure is essential across many applications from computer graphics to spatial genomics. Recent flow-based generative models have achieved impressive results by gradually adding and then learning to remove noise from these graphs. Existing models, however, use graph neural network architectures that are independent of the noise level, limiting their expressiveness. To address this issue, we introduce \textit{Noise-Conditioned Graph Networks} (NCGNs), a class of graph neural networks that dynamically modify their architecture according to the noise level during generation. Our theoretical and empirical analysis reveals that as noise increases, (1) graphs require information from increasingly distant neighbors and (2) graphs can be effectively represented at lower resolutions. Based on these insights, we develop Dynamic Message Passing (DMP), a specific instantiation of NCGNs that adapts both the range and resolution of message passing to the noise level. DMP consistently outperforms noise-independent architectures on a variety of domains including $3$D point clouds, spatiotemporal transcriptomics, and images. Code is available at https://github.com/peterpaohuang/ncgn.
• Abstract（参考訳）: 空間構造を持つグラフの生成モデリングは、コンピュータグラフィックスから空間ゲノミクスまで多くの応用において不可欠である。 最近のフローベース生成モデルは、徐々に追加し、次にこれらのグラフからノイズを取り除くことを学習することで、印象的な結果を得た。 しかし、既存のモデルでは、ノイズレベルに依存しないグラフニューラルネットワークアーキテクチャを使用して、表現性を制限している。 この問題に対処するために、生成中のノイズレベルに応じてアーキテクチャを動的に変更するグラフニューラルネットワークのクラスである \textit{Noise-Conditioned Graph Networks} (NCGNs) を導入する。 理論的および経験的分析により,1) ノイズの増加に伴い,(1) グラフはより遠方からの情報を必要とし,(2) グラフは低分解能で効果的に表現できることがわかった。 これらの知見に基づいて,NCGNの特定のインスタンス化である動的メッセージパッシング(DMP)を開発し,ノイズレベルへのメッセージパッシングの範囲と分解能を両立させる。 DMPは、3ドルのポイントクラウド、時空間転写学、画像など、さまざまな領域におけるノイズ非依存アーキテクチャを一貫して上回っている。 コードはhttps://github.com/peterpaohuang/ncgn.comで入手できる。

関連論文リスト

• Torque-based Graph Surgery:Enhancing Graph Neural Networks with Hierarchical Rewiring [16.99691459321181]
  異種グラフにおける表現学習を改善するために,トルク駆動型階層的再配線戦略を提案する。 我々は、エッジによって誘起される摂動を定量化するために、構造距離とエネルギースコアを統合する干渉対応トルク計量を定義する。 提案手法は異種グラフおよび同種グラフの最先端手法を超越し,ノイズグラフの高精度性を維持する。
  論文  参考訳（メタデータ） (2025-07-29T01:14:27Z)
• SlepNet: Spectral Subgraph Representation Learning for Neural Dynamics [5.424636897130673]
  グラフニューラルネットワークは、グラフ構造化データの機械学習に有用である。 それらはグラフ上のパターン信号の表現に限られている。 SlepNetはグラフ調和ではなくSlepianベースを使用する新しいGCNである。
  論文  参考訳（メタデータ） (2025-06-19T21:03:52Z)
• Training Robust Graph Neural Networks by Modeling Noise Dependencies [28.1151026795484]
  実世界のアプリケーションでは、グラフのノード機能は様々なソースからのノイズを含むことが多く、性能が著しく低下する。 本稿では,グラフ構造やノードラベルに伝搬するノイズ依存性の連鎖をノードの特徴として生み出す,より現実的なノイズシナリオ,依存性を意識したグラフ上のノイズ(DANG)を紹介する。 本稿では,DANGのデータ生成プロセス(DGP)における変数間の因果関係を変動推論を用いてキャプチャする,新しいロバストなGNN,DA-GNNを提案する。
  論文  参考訳（メタデータ） (2025-02-27T01:30:13Z)
• 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)
• Dual-Frequency Filtering Self-aware Graph Neural Networks for Homophilic and Heterophilic Graphs [60.82508765185161]
  我々は、Dual-Frequency Filtering Self-Aware Graph Neural Networks (DFGNN)を提案する。 DFGNNは低域通過フィルタと高域通過フィルタを統合し、滑らかで詳細な位相的特徴を抽出する。 フィルター比を動的に調整し、ホモフィルグラフとヘテロフィルグラフの両方に対応する。
  論文  参考訳（メタデータ） (2024-11-18T04:57:05Z)
• Input Snapshots Fusion for Scalable Discrete-Time Dynamic Graph Neural Networks [27.616083395612595]
  本稿では,Hawkesプロセスとグラフニューラルネットワークを組み合わせることで,動的グラフの時間的および構造的パターンを効果的に捉えるSFDyGを提案する。 複数のスナップショットを1つの時間グラフに融合することで、SFDyGはスナップショットの数から計算複雑性を分離し、効率的なフルバッチとミニバッチのトレーニングを可能にする。
  論文  参考訳（メタデータ） (2024-05-11T10:05:55Z)
• RDGSL: Dynamic Graph Representation Learning with Structure Learning [23.00398150548281]
  時間グラフネットワーク(TGN)は、連続時間動的グラフの学習表現において顕著な性能を示した。 しかし、実世界のダイナミックグラフは典型的には多様で複雑なノイズを含む。 ノイズは表現生成の質を著しく低下させ、下流タスクにおけるTGNの有効性を阻害する。
  論文  参考訳（メタデータ） (2023-09-05T08:03:59Z)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• 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)
• DPGNN: Dual-Perception Graph Neural Network for Representation Learning [21.432960458513826]
  グラフニューラルネットワーク(GNN)は近年注目を集め、グラフベースのタスクの多くで顕著なパフォーマンスを実現している。 既存のGNNの多くは、メッセージパッシングパラダイムに基づいて、1つのトポロジ空間内の近隣情報を反復的に集約している。 本稿では,マルチステップメッセージソースの特性,ノード固有のメッセージ出力,マルチスペースメッセージインタラクションに基づく新しいメッセージパッシングパラダイムを提案する。
  論文  参考訳（メタデータ） (2021-10-15T05:47:26Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2020-10-06T01:20:27Z)
• Hierarchical Message-Passing Graph Neural Networks [12.207978823927386]
  本稿では,新しい階層型メッセージパッシンググラフニューラルネットワークフレームワークを提案する。 鍵となるアイデアは、フラットグラフ内のすべてのノードをマルチレベルなスーパーグラフに再編成する階層構造を生成することである。 階層型コミュニティ対応グラフニューラルネットワーク(HC-GNN)と呼ばれる,このフレームワークを実装した最初のモデルを提案する。
  論文  参考訳（メタデータ） (2020-09-08T13:11:07Z)

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。