論文の概要: GRAVITY: A Controversial Graph Representation Learning for Vertex Classification

• arxiv url: http://arxiv.org/abs/2508.08954v1
• Date: Tue, 12 Aug 2025 14:12:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-13 21:07:34.45093
• Title: GRAVITY: A Controversial Graph Representation Learning for Vertex Classification
• Title（参考訳）: GRAVITY:頂点分類のための議論グラフ表現学習
• Authors: Etienne Gael Tajeuna, Jean Marie Tshimula,
• Abstract要約: 本稿では,物体が魅力的な力で自己組織する物理システムに触発されたフレームワークであるGRAVITYを紹介した。
• 参考スコア（独自算出の注目度）: 0.030693357740321774
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In the quest of accurate vertex classification, we introduce GRAVITY (Graph-based Representation leArning via Vertices Interaction TopologY), a framework inspired by physical systems where objects self-organize under attractive forces. GRAVITY models each vertex as exerting influence through learned interactions shaped by structural proximity and attribute similarity. These interactions induce a latent potential field in which vertices move toward energy efficient positions, coalescing around class-consistent attractors and distancing themselves from unrelated groups. Unlike traditional message-passing schemes with static neighborhoods, GRAVITY adaptively modulates the receptive field of each vertex based on a learned force function, enabling dynamic aggregation driven by context. This field-driven organization sharpens class boundaries and promotes semantic coherence within latent clusters. Experiments on real-world benchmarks show that GRAVITY yields competitive embeddings, excelling in both transductive and inductive vertex classification tasks.
• Abstract（参考訳）: 正確な頂点分類の探求において,物体が魅力的な力で自己組織される物理的システムに触発されたGRAVITY (Graph-based Representation leArning via Vertices Interaction TopologY)を導入する。 GRAVITYは各頂点を、構造的近接性と属性類似性によって形成される学習相互作用を通じて影響するものとしてモデル化する。 これらの相互作用は、頂点がエネルギー効率のよい位置に向かって移動し、クラス整合性を引き付け、無関係な群から距離を置く潜在ポテンシャル場を誘導する。 静的近傍を持つ従来のメッセージパス方式とは異なり、GRAVITYは学習力関数に基づいて各頂点の受容場を適応的に変調し、コンテキストによって駆動される動的集約を可能にする。 このフィールド駆動型組織は、クラス境界を鋭くし、潜在クラスタ内のセマンティックコヒーレンスを促進する。 実世界のベンチマークでの実験では、GRAVITYは競争的な埋め込みをもたらし、トランスダクティブとインダクティブの頂点分類の両方に優れていた。

関連論文リスト

• Leveraging Foundation Models for Multimodal Graph-Based Action Recognition [1.533133219129073]
  動的視覚符号化のためのビデオMAEとコンテキストテキスト埋め込みのためのBERTを統合したグラフベースのフレームワークを提案する。 提案手法は,多様なベンチマークデータセット上で,最先端のベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2025-05-21T07:15:14Z)
• Self-Reinforced Graph Contrastive Learning [7.49025068464945]
  SRGCL(Self-Reinforced Graph Contrastive Learning)を提案する。 多様なグラフレベルの分類タスクの実験では、SRGCLは最先端のGCL法よりも一貫して優れている。
  論文  参考訳（メタデータ） (2025-05-19T18:45:54Z)
• Towards Graph Foundation Models: Training on Knowledge Graphs Enables Transferability to General Graphs [26.477872205199667]
  知識グラフをトレーニングするために設計された統合グラフ推論フレームワークであるSCRを紹介する。 本稿では,従来のKG推論における意味的分離に対処する新しいメカニズムであるセマンティックコンディショニングメッセージパッシングを提案する。 以上の結果から,既存の基礎モデルよりも大幅な性能向上が見られた。
  論文  参考訳（メタデータ） (2024-10-16T14:26:08Z)
• ClassContrast: Bridging the Spatial and Contextual Gaps for Node Representations [7.083346385003788]
  グラフニューラルネットワーク(GNN)は、近隣のアグリゲーションスキームを利用してグラフ表現学習の領域に革命をもたらした。 MPGNNは、過密、過密、過密といった重大な問題に直面しており、その効果を妨げている。 本稿では,これらの制約を克服するために,エネルギー景観理論に基づく新しい手法であるクラスコントラストを提案する。
  論文  参考訳（メタデータ） (2024-10-03T02:44:13Z)
• 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)
• Deep Temporal Graph Clustering [77.02070768950145]
  深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。 GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。 我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
  論文  参考訳（メタデータ） (2023-05-18T06:17:50Z)
• FMGNN: Fused Manifold Graph Neural Network [102.61136611255593]
  グラフ表現学習は、様々なグラフタスクにおいて広く研究され、効果が実証されている。 本稿では,異なるマニフォールドにグラフを埋め込む新しいGNNアーキテクチャであるFused Manifold Graph Neural Network (NN)を提案する。 提案実験により,NNはノード分類およびリンク予測タスクのベンチマークにおいて,強いベースラインよりも優れた性能が得られることを示した。
  論文  参考訳（メタデータ） (2023-04-03T15:38:53Z)
• Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
  グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。 最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。 科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
  論文  参考訳（メタデータ） (2022-05-15T11:38:14Z)
• Learning Connectivity with Graph Convolutional Networks for Skeleton-based Action Recognition [14.924672048447338]
  グラフのトポロジ特性を学習するグラフ畳み込みネットワークのための新しいフレームワークを提案する。 本手法の設計原理は制約対象関数の最適化に基づいている。 骨格に基づく行動認識の課題に対して行った実験は,提案手法の優位性を示している。
  論文  参考訳（メタデータ） (2021-12-06T19:43:26Z)
• Adversarial Bipartite Graph Learning for Video Domain Adaptation [50.68420708387015]
  ドメイン適応技術は,異なる領域間のモデルを適応させることに重点を置いているが,ビデオ認識領域ではめったに研究されていない。 近年,映像のソースと対象映像の表現を統一するために,対角学習を活用する視覚領域適応はビデオにはあまり効果がない。 本稿では,ソースとターゲットの相互作用を直接モデル化するAdversarial Bipartite Graph (ABG)学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-31T03:48:41Z)

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。