論文の概要: Quasi-Clique Discovery via Energy Diffusion

• arxiv url: http://arxiv.org/abs/2508.04174v1
• Date: Wed, 06 Aug 2025 07:59:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-07 20:09:22.608402
• Title: Quasi-Clique Discovery via Energy Diffusion
• Title（参考訳）: エネルギー拡散による準斜めの発見
• Authors: Yu Zhang, Yilong Luo, Mingyuan Ma, Yao Chen, Enqiang Zhu, Jin Xu, Chanjuan Liu,
• Abstract要約: 本稿では,エネルギー拡散にインスパイアされた新しい準斜め探索アルゴリズムEDQCを紹介する。 30の実世界のデータセットに対する実験結果から、EDQCは最先端のベースラインよりも大きな準傾角を一貫して発見することが示された。
• 参考スコア（独自算出の注目度）: 7.275067852864198
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Discovering quasi-cliques -- subgraphs with edge density no less than a given threshold -- is a fundamental task in graph mining, with broad applications in social networks, bioinformatics, and e-commerce. Existing heuristics often rely on greedy rules, similarity measures, or metaheuristic search, but struggle to maintain both efficiency and solution consistency across diverse graphs. This paper introduces EDQC, a novel quasi-clique discovery algorithm inspired by energy diffusion. Instead of explicitly enumerating candidate subgraphs, EDQC performs stochastic energy diffusion from source vertices, naturally concentrating energy within structurally cohesive regions. The approach enables efficient dense subgraph discovery without exhaustive search or dataset-specific tuning. Experimental results on 30 real-world datasets demonstrate that EDQC consistently discovers larger quasi-cliques than state-of-the-art baselines on the majority of datasets, while also yielding lower variance in solution quality. To the best of our knowledge, EDQC is the first method to incorporate energy diffusion into quasi-clique discovery.
• Abstract（参考訳）: グラフマイニングの基本的な課題は、ソーシャルネットワーク、バイオインフォマティクス、電子商取引に広く応用されている。 既存のヒューリスティックは、しばしば強欲な規則、類似度尺度、メタヒューリスティック検索に頼っているが、様々なグラフの効率性と解の整合性を維持するのに苦労している。 本稿では,エネルギー拡散にインスパイアされた新しい準斜め探索アルゴリズムEDQCを紹介する。 EDQCは、候補部分グラフを明示的に列挙する代わりに、ソース頂点からの確率的エネルギー拡散を行い、自然に構造的な凝集領域内のエネルギーに集中する。 このアプローチは、徹底的な探索やデータセット固有のチューニングなしに、効率的な高密度部分グラフ発見を可能にする。 30の実世界のデータセットに対する実験結果から、EDQCは、ほとんどのデータセットにおける最先端のベースラインよりも大きな準傾きを一貫して発見すると同時に、ソリューション品質のばらつきも低いことが示されている。 我々の知る限りでは、EDQCは準斜め発見にエネルギー拡散を組み込む最初の方法である。

関連論文リスト

• Adjoint Sampling: Highly Scalable Diffusion Samplers via Adjoint Matching [33.9461078261722]
  非正規化密度からの拡散過程を学習するための,高度にスケーラブルで効率的なアルゴリズムであるAdjoint Samplingを導入する。 カルテジアンおよびねじり座標の両方の分子をモデル化するために、鍵対称性と周期境界条件を組み込む方法を示す。 本稿では,古典的エネルギー関数の広範な実験を通じて提案手法の有効性を実証し,さらにニューラルネットワークに基づくエネルギーモデルまで拡張する。
  論文  参考訳（メタデータ） (2025-04-16T02:20:06Z)
• Decoupled Graph Energy-based Model for Node Out-of-Distribution Detection on Heterophilic Graphs [61.226857589092]
  グラフ学習におけるノードのOOD検出は未探索のままである。 GNNSafeは、最先端の性能を持つグラフ領域にエネルギーベースの検出を適用した。 本稿では,学習過程をノード表現のためのトポロジ情報を利用するグラフエンコーダと,遅延空間で動作するエネルギーヘッドの2つの部分に分解するDeGEMを紹介する。
  論文  参考訳（メタデータ） (2025-02-25T07:20:00Z)
• GeoMix: Towards Geometry-Aware Data Augmentation [76.09914619612812]
  Mixupは画像分類におけるラベル付き限られたデータによる課題の緩和にかなりの成功を収めている。 In-place graph editing を利用した簡易かつ解釈可能な混合手法 Geometric Mixup (GeoMix) を提案する。
  論文  参考訳（メタデータ） (2024-07-15T12:58:04Z)
• Energy-based Epistemic Uncertainty for Graph Neural Networks [47.52218144839666]
  高品質な不確実性推定を提供するエネルギーベースモデル(EBM)を提案する。 我々は、エネルギー関数を正則化することにより、データ空間の可積分密度を確実に誘導する。 我々のフレームワークは、様々な分散シフトに敏感な事前学習GNNに適用可能な、シンプルで効果的なポストホック手法である。
  論文  参考訳（メタデータ） (2024-06-06T13:13:29Z)
• LightDiC: A Simple yet Effective Approach for Large-scale Digraph Representation Learning [42.72417353512392]
  磁気ラプラシアンに基づくダイグラフ畳み込みのスケーラブルな変種であるLightDiCを提案する。 LightDiCは、最も代表的な大規模データベースで満足な結果を提供する最初のDiGNNである。
  論文  参考訳（メタデータ） (2024-01-22T09:09:10Z)
• Joint Learning of Label and Environment Causal Independence for Graph Out-of-Distribution Generalization [60.4169201192582]
  本稿では,ラベルと環境情報を完全に活用するために,ラベルと環境の因果独立(LECI)を導入することを提案する。 LECIは、合成データセットと実世界のデータセットの両方において、従来の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2023-06-01T19:33:30Z)
• GFlowCausal: Generative Flow Networks for Causal Discovery [27.51595081346858]
  本稿では,GFlowCausalと呼ばれる観測データからDAG(Directed Acyclic Graph)を学習するための新しい手法を提案する。 GFlowCausalは、事前定義された報酬に比例した確率を持つシーケンシャルアクションによって、ハイリワードDAGを生成するための最良のポリシーを学ぶことを目的としている。 合成データセットと実データセットの両方について広範な実験を行い、提案手法が優れていることを示すとともに、大規模環境での良好な性能を示す。
  論文  参考訳（メタデータ） (2022-10-15T04:07:39Z)
• Handling Distribution Shifts on Graphs: An Invariance Perspective [78.31180235269035]
  我々は、グラフ上のOOD問題を定式化し、新しい不変学習手法である探索・拡張リスク最小化(EERM)を開発する。 EERMは、複数の仮想環境からのリスクの分散を最大化するために、敵対的に訓練された複数のコンテキストエクスプローラーを利用する。 理論的に有効なOOD解の保証を示すことによって,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2022-02-05T02:31:01Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。