論文の概要: Symbolic Graph Intelligence: Hypervector Message Passing for Learning Graph-Level Patterns with Tsetlin Machines

• arxiv url: http://arxiv.org/abs/2507.16537v1
• Date: Tue, 22 Jul 2025 12:47:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-23 21:34:14.115863
• Title: Symbolic Graph Intelligence: Hypervector Message Passing for Learning Graph-Level Patterns with Tsetlin Machines
• Title（参考訳）: シンボリックグラフインテリジェンス:Tsetlinマシンでグラフレベルパターンを学習するためのハイパーベクターメッセージパッシング
• Authors: Christian D. Blakely,
• Abstract要約: 一般グラフ分類のための多層的シンボルフレームワークを提案する。 各グラフは構造化メッセージパッシングを通じて符号化され、ノード、エッジ、属性情報は束縛され、シンボリックハイパーベクターにバンドルされる。 本手法をTUDatasetベンチマークで検証し,ニューラルグラフモデルと比較して強力なシンボル透過性を持つ競合精度を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a multilayered symbolic framework for general graph classification that leverages sparse binary hypervectors and Tsetlin Machines. Each graph is encoded through structured message passing, where node, edge, and attribute information are bound and bundled into a symbolic hypervector. This process preserves the hierarchical semantics of the graph through layered binding from node attributes to edge relations to structural roles resulting in a compact, discrete representation. We also formulate a local interpretability framework which lends itself to a key advantage of our approach being locally interpretable. We validate our method on TUDataset benchmarks, demonstrating competitive accuracy with strong symbolic transparency compared to neural graph models.
• Abstract（参考訳）: スパースバイナリハイパーベクタとTsetlinマシンを利用する汎用グラフ分類のための多層シンボルフレームワークを提案する。 各グラフは構造化メッセージパッシングを通じて符号化され、ノード、エッジ、属性情報は束縛され、シンボリックハイパーベクターにバンドルされる。 このプロセスは、ノード属性からエッジ関係から構造的役割への階層的結合を通じてグラフの階層的意味を保存し、コンパクトで離散的な表現をもたらす。 また、我々のアプローチが局所的に解釈可能であるという重要な利点を生かした、局所的解釈可能性フレームワークを定式化します。 本手法をTUDatasetベンチマークで検証し,ニューラルグラフモデルと比較して強力なシンボル透過性を持つ競合精度を示す。

関連論文リスト

• 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)
• Message Detouring: A Simple Yet Effective Cycle Representation for Expressive Graph Learning [4.085624738017079]
  グラフ全体のサイクル表現を階層的に特徴付けるために,テキストデツーリングの概念を導入する。 メッセージのデツーリングは、さまざまなベンチマークデータセットにおいて、現在の競合するアプローチを大幅に上回る可能性がある。
  論文  参考訳（メタデータ） (2024-02-12T22:06:37Z)
• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Dual Contrastive Attributed Graph Clustering Network [6.796682703663566]
  我々はDCAGC(Dual Contrastive Attributed Graph Clustering Network)と呼ばれる汎用フレームワークを提案する。 DCAGCでは、近隣のコントラストモジュールを利用することで、近隣ノードの類似性を最大化し、ノード表現の品質を向上させる。 DCAGCのすべてのモジュールは、統一されたフレームワークでトレーニングされ、最適化されているため、学習されたノード表現にはクラスタリング指向のメッセージが含まれている。
  論文  参考訳（メタデータ） (2022-06-16T03:17:01Z)
• Embedding Graphs on Grassmann Manifold [31.42901131602713]
  本稿では,グラスマン多様体に近似した2階グラフ特性を組み込んだ新しいグラフ表現学習手法EGGを提案する。 EGGの有効性はノードレベルとグラフレベルでのクラスタリングと分類タスクの両方を用いて示される。
  論文  参考訳（メタデータ） (2022-05-30T12:56:24Z)
• Multi-task Self-distillation for Graph-based Semi-Supervised Learning [6.277952154365413]
  本稿では,グラフ畳み込みネットワークに自己教師付き学習と自己蒸留を注入するマルチタスク自己蒸留フレームワークを提案する。 まず、プレテキストタスクに基づいて自己超越パイプラインを定式化し、グラフの異なるレベルの類似性をキャプチャする。 第二に、自己蒸留はモデル自体のソフトラベルを追加の監督として使用する。
  論文  参考訳（メタデータ） (2021-12-02T12:43:41Z)
• Towards Efficient Scene Understanding via Squeeze Reasoning [71.1139549949694]
  我々はSqueeze Reasoningと呼ばれる新しいフレームワークを提案する。 空間地図上の情報を伝播するのではなく、まず入力特徴をチャネルワイドなグローバルベクトルに絞ることを学ぶ。 提案手法はエンドツーエンドのトレーニングブロックとしてモジュール化可能であり,既存のネットワークに簡単に接続可能であることを示す。
  論文  参考訳（メタデータ） (2020-11-06T12:17:01Z)
• GripNet: Graph Information Propagation on Supergraph for Heterogeneous Graphs [6.672528545175732]
  本稿では,フレキシブルで効率的なグラフ情報伝達ネットワーク(GripNet)を提案する。 具体的には、スーパー頂点とスーパーエッジからなる新しいスーパーグラフデータ構造を導入する。 我々は複数の大規模グラフを構築し、GripNetを競合する手法に対して評価し、リンク予測、ノード分類、データ統合においてその優位性を示す。
  論文  参考訳（メタデータ） (2020-10-29T19:58:43Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Graph Neural Networks with Composite Kernels [60.81504431653264]
  カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
  論文  参考訳（メタデータ） (2020-05-16T04:44:29Z)

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。