論文の概要: Graph Embedding in the Graph Fractional Fourier Transform Domain

• arxiv url: http://arxiv.org/abs/2508.02383v1
• Date: Mon, 04 Aug 2025 13:09:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 18:25:22.345257
• Title: Graph Embedding in the Graph Fractional Fourier Transform Domain
• Title（参考訳）: グラフ分節フーリエ変換領域におけるグラフ埋め込み
• Authors: Changjie Sheng, Zhichao Zhang, Wei Yao,
• Abstract要約: スペクトルグラフ埋め込みはグラフ表現学習において重要な役割を果たす。 本稿では,グラフ分数領域を経由した埋め込み情報を高める汎用分数フィルタリング埋め込み (GEFRFE) を提案する。 6つのベンチマークデータセットの実験により、GEFRFEはよりリッチな構造的特徴をキャプチャし、分類性能を大幅に向上することが示された。
• 参考スコア（独自算出の注目度）: 6.652231492609618
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spectral graph embedding plays a critical role in graph representation learning by generating low-dimensional vector representations from graph spectral information. However, the embedding space of traditional spectral embedding methods often exhibit limited expressiveness, failing to exhaustively capture latent structural features across alternative transform domains. To address this issue, we use the graph fractional Fourier transform to extend the existing state-of-the-art generalized frequency filtering embedding (GEFFE) into fractional domains, giving birth to the generalized fractional filtering embedding (GEFRFE), which enhances embedding informativeness via the graph fractional domain. The GEFRFE leverages graph fractional domain filtering and a nonlinear composition of eigenvector components derived from a fractionalized graph Laplacian. To dynamically determine the fractional order, two parallel strategies are introduced: search-based optimization and a ResNet18-based adaptive learning. Extensive experiments on six benchmark datasets demonstrate that the GEFRFE captures richer structural features and significantly enhance classification performance. Notably, the proposed method retains computational complexity comparable to GEFFE approaches.
• Abstract（参考訳）: グラフスペクトル情報から低次元ベクトル表現を生成することにより、グラフ表現学習においてスペクトルグラフ埋め込みが重要な役割を果たす。 しかし、従来のスペクトル埋め込み手法の埋め込み空間は、しばしば限定的な表現性を示し、代替変換領域をまたいだ潜在構造的特徴を網羅的に捉えることができない。 この問題を解決するために、グラフ分数フィルタのフーリエ変換を用いて、既存の一般化周波数フィルタリング埋め込み(GEFFE)を分数領域に拡張し、一般化分数フィルタリング埋め込み(GEFRFE)を生み出す。 GEFRFEはグラフ分数領域フィルタリングと、分数化グラフラプラシアンの固有ベクトル成分の非線形合成を利用する。 分数順序を動的に決定するために、検索に基づく最適化とResNet18に基づく適応学習という2つの並列戦略が導入された。 6つのベンチマークデータセットに対する大規模な実験により、GEFRFEはよりリッチな構造的特徴をキャプチャし、分類性能を大幅に向上することが示された。 特に,提案手法はGEFFE手法に匹敵する計算複雑性を保っている。

関連論文リスト

• 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)
• Graph Fourier Transformer with Structure-Frequency Information [2.7852431537059426]
  本稿では、GTと周波数構造情報を含む帰納バイアスを革新的に組み合わせたGrafourierformerを提案する。 様々なベンチマーク実験により、グラフ分類やノード分類タスクにおいて、GrafourierformerはGNNやGTベースのモデルよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2025-04-28T12:38:02Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• ASWT-SGNN: Adaptive Spectral Wavelet Transform-based Self-Supervised Graph Neural Network [20.924559944655392]
  本稿では,適応スペクトルウェーブレット変換を用いた自己教師付きグラフニューラルネットワーク(ASWT-SGNN)を提案する。 ASWT-SGNNは高密度スペクトル領域におけるフィルタ関数を正確に近似し、コストの高い固有分解を避ける。 ノード分類タスクにおける最先端モデルに匹敵するパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-12-10T03:07:42Z)
• HoloNets: Spectral Convolutions do extend to Directed Graphs [59.851175771106625]
  従来の知恵は、スペクトル畳み込みネットワークは無向グラフ上にしか展開できないと規定している。 ここでは、このグラフフーリエ変換への伝統的な依存が超フルであることを示す。 本稿では,新たに開発されたフィルタの周波数応答解釈を行い,フィルタ表現に使用するベースの影響を調査し,ネットワークを基盤とする特性演算子との相互作用について議論する。
  論文  参考訳（メタデータ） (2023-10-03T17:42:09Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• Quasi-Framelets: Robust Graph Neural Networks via Adaptive Framelet Convolution [28.474359021962346]
  スペクトルグラフニューラルネットワーク(GNN)のためのマルチスケールフレームレット畳み込みを提案する。 提案設計は、不要なスペクトル情報をフィルタリングし、ノイズグラフ信号の悪影響を著しく低減する。 ノイズの多いデータや敵攻撃に対する優れたレジリエンスを示しており、現実世界のグラフアプリケーションに対する堅牢なソリューションとしての可能性を強調している。
  論文  参考訳（メタデータ） (2022-01-11T00:10:28Z)
• 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)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• SF-GRASS: Solver-Free Graph Spectral Sparsification [16.313489255657203]
  本研究では,新しいスペクトルグラフ粗化技術とグラフ信号処理技術を活用することで,スペクトルグラフスカラー化のための解法フリーアプローチ(SF-GRASS)を提案する。 提案手法は,様々な実世界の大規模グラフや回路網に対して,ほぼ直線時間で高品質なスペクトルスペーサーの階層を生成することができることを示す。
  論文  参考訳（メタデータ） (2020-08-17T21:37:19Z)

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。