論文の概要: Beyond Neural Networks: Symbolic Reasoning over Wavelet Logic Graph Signals

• arxiv url: http://arxiv.org/abs/2507.21190v1
• Date: Sun, 27 Jul 2025 19:01:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-30 17:08:55.058846
• Title: Beyond Neural Networks: Symbolic Reasoning over Wavelet Logic Graph Signals
• Title（参考訳）: ニューラルネットワークを超えて:ウェーブレット論理グラフ信号に対するシンボリック推論
• Authors: Andrew Kiruluta, Andreas Lemos, Priscilla Burity,
• Abstract要約: グラフラプラシアンウェーブレット変換(GLWT)に基づく完全非ニューラルラーニングフレームワークを提案する。 我々のモデルは、構造化されたマルチスケールフィルタリング、非線形収縮、ウェーブレット係数上のシンボリック論理を用いて、グラフスペクトル領域で純粋に動作する。
• 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 present a fully non neural learning framework based on Graph Laplacian Wavelet Transforms (GLWT). Unlike traditional architectures that rely on convolutional, recurrent, or attention based neural networks, our model operates purely in the graph spectral domain using structured multiscale filtering, nonlinear shrinkage, and symbolic logic over wavelet coefficients. Signals defined on graph nodes are decomposed via GLWT, modulated with interpretable nonlinearities, and recombined for downstream tasks such as denoising and token classification. The system supports compositional reasoning through a symbolic domain-specific language (DSL) over graph wavelet activations. Experiments on synthetic graph denoising and linguistic token graphs demonstrate competitive performance against lightweight GNNs with far greater transparency and efficiency. This work proposes a principled, interpretable, and resource-efficient alternative to deep neural architectures for learning on graphs.
• Abstract（参考訳）: グラフラプラシアンウェーブレット変換(GLWT)に基づく,完全に非ニューラルラーニングフレームワークを提案する。 畳み込み、繰り返し、または注意に基づくニューラルネットワークに依存する従来のアーキテクチャとは異なり、我々のモデルは、構造化マルチスケールフィルタリング、非線形収縮、ウェーブレット係数上の記号論理を用いて、グラフスペクトル領域で純粋に動作する。 グラフノード上で定義された信号はGLWTを介して分解され、解釈可能な非線形性で変調され、復調やトークン分類などの下流タスクのために再結合される。 このシステムは、グラフウェーブレットを活性化するシンボリックドメイン固有言語(DSL)を通して構成推論をサポートする。 合成グラフ denoising と言語トークングラフの実験は、より透明性と効率のよい軽量 GNN に対する競合性能を示す。 この研究は、グラフ上で学習するためのディープニューラルネットワークアーキテクチャに代わる、原則付き、解釈可能、リソース効率の高い代替案を提案する。

関連論文リスト

• GLANCE: Graph Logic Attention Network with Cluster Enhancement for Heterophilous Graph Representation Learning [54.60090631330295]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習する上で大きな成功を収めている。 本稿では,論理誘導推論,動的グラフ改善,適応クラスタリングを統合し,グラフ表現学習を強化する新しいフレームワークであるGLANCEを提案する。
  論文  参考訳（メタデータ） (2025-07-24T15:45:26Z)
• A Spectral Interpretation of Redundancy in a Graph Reservoir [51.40366905583043]
  この研究はMRGNN(Multi resolution Reservoir Graph Neural Network)における貯留層の定義を再考する。 コンピュータグラフィックスにおける表面設計の分野で最初に導入されたフェアリングアルゴリズムに基づく変種を提案する。 この論文の中核的な貢献は、ランダムウォークの観点からのアルゴリズムの理論解析にある。
  論文  参考訳（メタデータ） (2025-07-17T10:02:57Z)
• 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)
• Topology-aware Neural Flux Prediction Guided by Physics [13.352980442733987]
  グラフニューラルネットワーク(GNN)はしばしば、有向グラフを扱う際に、ノイズ信号の高周波成分を保存するのに苦労する。 本稿では, 1) 方向勾配をモデル化する明示的な差分行列と, 2) 自然法則に整合するGNN内を通過するメッセージを強制する暗黙の物理的制約とを組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2025-06-06T02:01:50Z)
• Non-Euclidean Hierarchical Representational Learning using Hyperbolic Graph Neural Networks for Environmental Claim Detection [1.3673890873313355]
  トランスフォーマーベースのモデルは、感情分析、機械翻訳、クレーム検証といったNLPタスクを支配している。 本研究では,環境クレーム検出のための軽量かつ効果的な代替手段として,グラフニューラルネットワーク(GNN)とハイパーボリックグラフニューラルネットワーク(HGNN)を探索する。
  論文  参考訳（メタデータ） (2025-02-19T11:04:59Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph Wavelets [81.63035727821145]
  スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。 本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-03T17:57:53Z)
• 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)
• Graphon Pooling in Graph Neural Networks [169.09536309161314]
  グラフニューラルネットワーク(GNN)は、グラフによってモデル化された不規則構造上の信号の処理を含む様々なアプリケーションで効果的に使用されている。 本稿では,グラフのスペクトル特性を保存したグラフオンを用いて,GNNのプールとサンプリングを行う新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-03-03T21:04:20Z)

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。