論文の概要: TANGO: Graph Neural Dynamics via Learned Energy and Tangential Flows

• arxiv url: http://arxiv.org/abs/2508.05070v1
• Date: Thu, 07 Aug 2025 06:44:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-08 18:59:39.729051
• Title: TANGO: Graph Neural Dynamics via Learned Energy and Tangential Flows
• Title（参考訳）: TANGO: 学習エネルギーとタンジェンシャルフローによるグラフニューラルダイナミクス
• Authors: Moshe Eliasof, Eldad Haber, Carola-Bibiane Schönlieb,
• Abstract要約: グラフ表現学習のための動的システムにインスパイアされたフレームワークであるTANGOを紹介する。 我々のアプローチの中核は、ノード埋め込み上の学習可能なリアプノフ関数である。 エネルギー価値を維持しながら特徴を進化させる,メッセージパッシングによって学習された新しい接尾辞成分を組み込んだ。
• 参考スコア（独自算出の注目度）: 17.546965223021786
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce TANGO -- a dynamical systems inspired framework for graph representation learning that governs node feature evolution through a learned energy landscape and its associated descent dynamics. At the core of our approach is a learnable Lyapunov function over node embeddings, whose gradient defines an energy-reducing direction that guarantees convergence and stability. To enhance flexibility while preserving the benefits of energy-based dynamics, we incorporate a novel tangential component, learned via message passing, that evolves features while maintaining the energy value. This decomposition into orthogonal flows of energy gradient descent and tangential evolution yields a flexible form of graph dynamics, and enables effective signal propagation even in flat or ill-conditioned energy regions, that often appear in graph learning. Our method mitigates oversquashing and is compatible with different graph neural network backbones. Empirically, TANGO achieves strong performance across a diverse set of node and graph classification and regression benchmarks, demonstrating the effectiveness of jointly learned energy functions and tangential flows for graph neural networks.
• Abstract（参考訳）: TANGO - 学習エネルギーの景観とそれに関連する降下ダイナミクスを通してノード特徴の進化を管理するグラフ表現学習のための動的システムにインスパイアされたフレームワークを紹介する。 我々のアプローチの中核はノード埋め込み上の学習可能なリャプノフ関数であり、その勾配は収束と安定性を保証するエネルギー還元方向を定義する。 エネルギー動力学の利点を保ちながら柔軟性を高めるため,我々は,エネルギー価値を維持しつつ特徴を進化させる,メッセージパッシングによって学習した新しい接点成分を組み込んだ。 このエネルギー勾配降下と接点進化の直交流れへの分解は、フレキシブルなグラフ力学の形式を生み出し、グラフ学習によく現れる平坦な領域や不条件のエネルギー領域においても効果的な信号伝搬を可能にする。 提案手法はオーバースカッシングを軽減し,異なるグラフニューラルネットワークのバックボーンと互換性がある。 実験的に、TANGOはノードとグラフの分類と回帰ベンチマークの多様なセットで強い性能を達成し、グラフニューラルネットワークにおける共同学習されたエネルギー関数と接尾辞フローの有効性を実証した。

関連論文リスト

• Depth-Adaptive Graph Neural Networks via Learnable Bakry-'Emery Curvature [7.2716257100195385]
  グラフニューラルネットワーク(GNN)は、グラフベースのタスクに対して強力な表現学習能力を示す。 GNNの最近の進歩は、曲率などの幾何学的性質を活用して表現能力を向上している。 本稿では,情報伝達における構造的側面とタスク駆動的側面の両方を捉えたBakry-'Emery曲率の統合を提案する。
  論文  参考訳（メタデータ） (2025-03-03T00:48:41Z)
• Dirichlet Energy Enhancement of Graph Neural Networks by Framelet Augmentation [19.56268823452656]
  我々は、ディリクレエネルギーの分析にフレームレットシステムを導入し、ディリクレエネルギーを活用するためにマルチスケールの視点を採る。 そこで我々は,エネルギ・エンハンスメント・コンボリューション(EEConv)を設計する。 実験により、EEConvを用いたディープGNNは、さまざまなノード分類データセットに対して最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-11-09T22:22:18Z)
• Joint Feature and Differentiable $ k $-NN Graph Learning using Dirichlet Energy [103.74640329539389]
  特徴選択と識別可能な$k $-NNグラフ学習を同時に行うディープFS法を提案する。 我々は、ニューラルネットワークで$ k $-NNグラフを学習する際の非微分可能性問題に対処するために、最適輸送理論を用いる。 本モデルの有効性を,合成データセットと実世界のデータセットの両方で広範な実験により検証する。
  論文  参考訳（メタデータ） (2023-05-21T08:15:55Z)
• Learning Dynamic Graph Embeddings with Neural Controlled Differential Equations [21.936437653875245]
  本稿では,時間的相互作用を持つ動的グラフの表現学習に焦点を当てる。 本稿では,ノード埋め込みトラジェクトリの連続的動的進化を特徴付ける動的グラフに対する一般化微分モデルを提案する。 本フレームワークは,セグメントを統合せずにグラフの進化を動的に表現できる機能など,いくつかの望ましい特徴を示す。
  論文  参考訳（メタデータ） (2023-02-22T12:59:38Z)
• Generalized energy and gradient flow via graph framelets [27.71018932795014]
  我々は,エネルギー勾配流の観点から,フレームレットに基づくグラフニューラルネットワークの理論的理解を提供する。 フレームレットモデルをいくつかのエネルギーの離散勾配流として見ることにより、低周波と高周波に支配されるダイナミックスの両方を誘導できることを示す。
  論文  参考訳（メタデータ） (2022-10-08T23:40:45Z)
• Time-aware Dynamic Graph Embedding for Asynchronous Structural Evolution [60.695162101159134]
  既存の作業は、動的グラフを変更のシーケンスとして見るだけである。 動的グラフを接合時間に付随する時間的エッジシーケンスとして定式化する。 頂点とエッジのタイムパン 組み込みにはタイムアウェアなTransformerが提案されている。 vertexの動的接続と学習へのToEs。 頂点表現
  論文  参考訳（メタデータ） (2022-07-01T15:32:56Z)
• 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)
• Graph-Coupled Oscillator Networks [23.597444325599835]
  Graph-Coupled Networks (GraphCON)は、グラフのディープラーニングのための新しいフレームワークである。 我々のフレームワークは,様々なグラフベースの学習タスクにおける最先端技術に関して,競争力のあるパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2022-02-04T18:29:49Z)
• 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)
• Geometrically Principled Connections in Graph Neural Networks [66.51286736506658]
  我々は、幾何学的深層学習の新興分野におけるイノベーションの原動力は、幾何が依然として主要な推進力であるべきだと論じている。 グラフニューラルネットワークとコンピュータグラフィックスとデータ近似モデルとの関係:放射基底関数(RBF) 完全連結層とグラフ畳み込み演算子を組み合わせた新しいビルディングブロックであるアフィンスキップ接続を導入する。
  論文  参考訳（メタデータ） (2020-04-06T13:25:46Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。