論文の概要: Graph Learning via Logic-Based Weisfeiler-Leman Variants and Tabularization

• arxiv url: http://arxiv.org/abs/2508.10651v1
• Date: Thu, 14 Aug 2025 13:47:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-15 22:24:48.340321
• Title: Graph Learning via Logic-Based Weisfeiler-Leman Variants and Tabularization
• Title（参考訳）: 論理に基づくWeisfeiler-Leman変数によるグラフ学習と語彙化
• Authors: Reijo Jaakkola, Tomi Janhunen, Antti Kuusisto, Magdalena Ortiz, Matias Selin, Mantas Šimkus,
• Abstract要約: 基礎となる論理的枠組みを変更することで得られるWeisfeiler-Leman不変量のクラスについて検討する。 次に、さまざまなドメインにまたがる12のベンチマークデータセットで、2つの選択された変種をテストします。 実験により、我々の手法は最先端のグラフニューラルネットワークとグラフカーネルの精度と一致することを示した。
• 参考スコア（独自算出の注目度）: 3.701026888201779
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a novel approach for graph classification based on tabularizing graph data via variants of the Weisfeiler-Leman algorithm and then applying methods for tabular data. We investigate a comprehensive class of Weisfeiler-Leman variants obtained by modifying the underlying logical framework and establish a precise theoretical characterization of their expressive power. We then test two selected variants on twelve benchmark datasets that span a range of different domains. The experiments demonstrate that our approach matches the accuracy of state-of-the-art graph neural networks and graph kernels while being more time or memory efficient, depending on the dataset. We also briefly discuss directly extracting interpretable modal logic formulas from graph datasets.
• Abstract（参考訳）: Wesfeiler-Lemanアルゴリズムの変種によるグラフデータの表化に基づくグラフ分類の新しい手法を提案する。 Wesfeiler-Leman不変量の包括的クラスを基礎となる論理的枠組みを改変し、それらの表現力の正確な理論的特性を確立する。 次に、さまざまなドメインにまたがる12のベンチマークデータセットで、2つの選択された変種をテストします。 実験により,提案手法は,最新のグラフニューラルネットワークとグラフカーネルの精度に一致し,データセットによって時間やメモリ効率が向上することを示した。 また、グラフデータセットから解釈可能なモーダル論理式を直接抽出することについても簡単に議論する。

関連論文リスト

• X2Graph for Cancer Subtyping Prediction on Biological Tabular Data [8.26719624422426]
  X2Graphは,小さな生物学的データセット上で高い性能を実現する新しい深層学習手法である。 X2Graphは、遺伝子相互作用などのテーブル列間の関係に関する外部知識を活用して、各サンプルをグラフ構造に変換する。 筆者らのX2Graph法は,既存の3つの癌サブタイプデータセットにおける木に基づく深層学習法と比較して,優れた性能を示す。
  論文  参考訳（メタデータ） (2025-05-29T10:50:02Z)
• Graph-Dictionary Signal Model for Sparse Representations of Multivariate Data [49.77103348208835]
  グラフの有限集合がラプラシアンの重み付き和を通してデータ分布の関係を特徴付けるグラフ辞書信号モデルを定義する。 本稿では,観測データからグラフ辞書表現を推論するフレームワークを提案する。 我々は,脳活動データに基づく運動画像復号作業におけるグラフ辞書表現を利用して,従来の手法よりも想像的な動きをよりよく分類する。
  論文  参考訳（メタデータ） (2024-11-08T17:40:43Z)
• TabGSL: Graph Structure Learning for Tabular Data Prediction [10.66048003460524]
  本稿では,グラフ構造学習(Tabular Graph Structure Learning, TabGSL)という新しい手法を提案する。 30のベンチマークデータセットで実施された実験では、TabGSLがツリーベースモデルと最近のディープラーニングベースモデルの両方を著しく上回っていることが示されている。
  論文  参考訳（メタデータ） (2023-05-25T08:33:48Z)
• Joint Graph and Vertex Importance Learning [47.249968772606145]
  ラプラシアンアプローチと比較してエッジウェイト上界が小さいグラフを学習する新しい手法を提案する。 実験により, より解釈可能なモデルを用いて, ラプラシアン法に比べてスペーサーグラフが多数得られた。
  論文  参考訳（メタデータ） (2023-03-15T12:12:13Z)
• 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)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Learning to Learn Graph Topologies [27.782971146122218]
  ノードデータからグラフ構造へのマッピングを学習する(L2O)。 このモデルは、ノードデータとグラフサンプルのペアを使ってエンドツーエンドでトレーニングされる。 合成データと実世界のデータの両方の実験により、我々のモデルは、特定のトポロジ特性を持つグラフを学習する際の古典的反復アルゴリズムよりも効率的であることが示された。
  論文  参考訳（メタデータ） (2021-10-19T08:42:38Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• A Unifying Generative Model for Graph Learning Algorithms: Label Propagation, Graph Convolutions, and Combinations [39.8498896531672]
  グラフに関する半教師付き学習は、ネットワーク科学と機械学習において広く適用可能な問題である。 我々は,ノード属性のデータ生成プロセスのためのマルコフ確率場モデルを開発した。 ラベル伝播,線形化グラフ畳み込みネットワーク,それらの組み合わせが条件付き期待値として導出できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T17:07:08Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Permutation Invariant Graph Generation via Score-Based Generative Modeling [114.12935776726606]
  本稿では,最近のスコアベース生成モデルを用いて,グラフモデリングにおける置換不変手法を提案する。 特に、入力グラフにおけるデータ分布の勾配をモデル化するために、置換同変のマルチチャネルグラフニューラルネットワークを設計する。 グラフ生成では、我々の学習アプローチはベンチマークデータセット上の既存のモデルよりも良い、あるいは同等の結果を得る。
  論文  参考訳（メタデータ） (2020-03-02T03:06:14Z)

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。