論文の概要: GraphTreeGen: Subtree-Centric Approach to Efficient and Supervised Graph Generation

• arxiv url: http://arxiv.org/abs/2508.09710v1
• Date: Wed, 13 Aug 2025 11:02:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-14 20:42:00.863537
• Title: GraphTreeGen: Subtree-Centric Approach to Efficient and Supervised Graph Generation
• Title（参考訳）: GraphTreeGen: 効率的なグラフ生成のためのサブツリー中心アプローチ
• Authors: Yitong Luo, Islem Rekik,
• Abstract要約: GraphTreeGen(GTG)は、効率的な正確なコネクトーム合成のためのサブツリー中心の生成フレームワークである。 GTGはそれぞれのコネクトームをエントロピー誘導のkホップ木に分解し、情報的局所構造を捉える。 モジュラー設計により、超解像とクロスモダリティ合成を接続できる。
• 参考スコア（独自算出の注目度）: 6.138671548064356
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Brain connectomes, representing neural connectivity as graphs, are crucial for understanding brain organization but costly and time-consuming to acquire, motivating generative approaches. Recent advances in graph generative modeling offer a data-driven alternative, enabling synthetic connectome generation and reducing dependence on large neuroimaging datasets. However, current models face key limitations: (i) compressing the whole graph into a single latent code (e.g., VGAEs) blurs fine-grained local motifs; (ii) relying on rich node attributes rarely available in connectomes reduces reconstruction quality; (iii) edge-centric models emphasize topology but overlook accurate edge-weight prediction, harming quantitative fidelity; and (iv) computationally expensive designs (e.g., edge-conditioned convolutions) impose high memory demands, limiting scalability. We propose GraphTreeGen (GTG), a subtree-centric generative framework for efficient, accurate connectome synthesis. GTG decomposes each connectome into entropy-guided k-hop trees capturing informative local structure, encoded by a shared GCN. A bipartite message-passing layer fuses subtree embeddings with global node features, while a dual-branch decoder jointly predicts edge existence and weights to reconstruct the adjacency matrix. GTG outperforms state-of-the-art baselines in self-supervised tasks and remains competitive in supervised settings, delivering higher structural fidelity and more precise weights with far less memory. Its modular design enables extensions to connectome super-resolution and cross-modality synthesis. Code: https://github.com/basiralab/GTG/
• Abstract（参考訳）: 神経接続をグラフとして表現する脳コネクトームは、脳の組織を理解するのに不可欠だが、生成的アプローチを習得し、動機付けるのに費用と時間を要する。 グラフ生成モデリングの最近の進歩は、データ駆動の代替手段を提供し、合成コネクトームの生成を可能にし、大きなニューロイメージングデータセットへの依存を減らす。 しかし、現在のモデルは重要な制限に直面している。 (i)グラフ全体を単一の潜在コード(例えば、VGAE)に圧縮すると、きめ細かい局所的なモチーフが曖昧になる。 (ii)コネクトームではほとんど利用できない豊富なノード属性に依存すると、復元の質が低下する。 三 エッジ中心モデルがトポロジーを強調するが、正確なエッジ重み予測を見落とし、量的忠実さを損なうこと。 (iv) 計算コストのかかる設計(例えばエッジ条件の畳み込み)は高いメモリ要求を課し、スケーラビリティを制限します。 本稿では,効率よく正確なコネクトーム合成のためのサブツリー中心の生成フレームワークであるGraphTreeGen(GTG)を提案する。 GTGは、それぞれのコネクトームをエントロピー誘導のkホップツリーに分解し、共有GCNによってエンコードされる情報的局所構造をキャプチャする。 二部メッセージパッシング層は、サブツリー埋め込みをグローバルノードの特徴と融合させ、二重ブランチデコーダはエッジの存在と重みを共同で予測し、隣接行列を再構築する。 GTGは、自己監督されたタスクにおいて最先端のベースラインよりも優れており、教師付き設定では競争力があり、より高い構造的忠実度とはるかに少ないメモリでより正確な重みを提供する。 モジュラー設計により、超解像とクロスモダリティ合成を接続できる。 コード:https://github.com/basiralab/GTG/

関連論文リスト

• Scalable Graph Compressed Convolutions [68.85227170390864]
  ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。 グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
  論文  参考訳（メタデータ） (2024-07-26T03:14:13Z)
• Synergistic Deep Graph Clustering Network [14.569867830074292]
  我々はSynC(Syngistic Deep Graph Clustering Network)というグラフクラスタリングフレームワークを提案する。 本稿では,構造拡張を導くための高品質な埋め込みを実現するために,TIGAE (Transform Input Graph Auto-Encoder) を設計する。 特に、表現学習と構造増強は重みを共有し、モデルパラメータの数を著しく減少させる。
  論文  参考訳（メタデータ） (2024-06-22T09:40:34Z)
• Efficient Topology-aware Data Augmentation for High-Degree Graph Neural Networks [2.7523980737007414]
  高次グラフ(HDG)上のグラフニューラルネットワーク(GNN)のための効率的かつ効果的なフロントマウントデータ拡張フレームワークであるTADを提案する。 内部では、(i)構造埋め込みによる機能拡張と(ii)トポロジと属性対応グラフのスパース化という、2つの重要なモジュールが含まれている。 TADAは、ノード分類の観点から8つの実ホモ親和性/ヘテロ親和性HDG上でのメインストリームGNNモデルの予測性能を大幅に改善する。
  論文  参考訳（メタデータ） (2024-06-08T14:14:19Z)
• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• Graph Transformer GANs for Graph-Constrained House Generation [223.739067413952]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 GTGANは、グラフ制約のある住宅生成タスクにおいて、エンドツーエンドで効率的なグラフノード関係を学習する。
  論文  参考訳（メタデータ） (2023-03-14T20:35:45Z)
• BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
  グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。 リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。 BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
  論文  参考訳（メタデータ） (2021-12-13T17:35:54Z)

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。