論文の概要: Graph Neural Diffusion via Generalized Opinion Dynamics

• arxiv url: http://arxiv.org/abs/2508.11249v1
• Date: Fri, 15 Aug 2025 06:36:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-18 14:51:23.763157
• Title: Graph Neural Diffusion via Generalized Opinion Dynamics
• Title（参考訳）: 一般化オピニオンダイナミクスによるグラフ神経拡散
• Authors: Asela Hevapathige, Asiri Wijesinghe, Ahad N. Zehmakan,
• Abstract要約: 本稿では,複数の意見力学モデルを原理的,訓練可能な拡散機構に統一するGODNFを提案する。 本フレームワークは,ノード固有の挙動モデリングと動的近傍の影響により,異種拡散パターンと時間的ダイナミクスを捕捉する。 多様な収束構成をモデル化するGODNFの能力を示す厳密な理論的解析を行う。
• 参考スコア（独自算出の注目度）: 8.691309696914882
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: There has been a growing interest in developing diffusion-based Graph Neural Networks (GNNs), building on the connections between message passing mechanisms in GNNs and physical diffusion processes. However, existing methods suffer from three critical limitations: (1) they rely on homogeneous diffusion with static dynamics, limiting adaptability to diverse graph structures; (2) their depth is constrained by computational overhead and diminishing interpretability; and (3) theoretical understanding of their convergence behavior remains limited. To address these challenges, we propose GODNF, a Generalized Opinion Dynamics Neural Framework, which unifies multiple opinion dynamics models into a principled, trainable diffusion mechanism. Our framework captures heterogeneous diffusion patterns and temporal dynamics via node-specific behavior modeling and dynamic neighborhood influence, while ensuring efficient and interpretable message propagation even at deep layers. We provide a rigorous theoretical analysis demonstrating GODNF's ability to model diverse convergence configurations. Extensive empirical evaluations of node classification and influence estimation tasks confirm GODNF's superiority over state-of-the-art GNNs.
• Abstract（参考訳）: 拡散に基づくグラフニューラルネットワーク(GNN)の開発への関心が高まっており、GNNにおけるメッセージパッシング機構と物理拡散プロセスとの接続の上に構築されている。 しかし、既存の手法には3つの限界がある:(1)静的力学による均質な拡散に頼り、多様なグラフ構造への適応性を制限し、(2)その深さは計算上のオーバーヘッドと解釈可能性の低下によって制約され、(3)それらの収束挙動の理論的理解は限定的である。 これらの課題に対処するため,汎用オピニオン・ダイナミクス・ニューラル・フレームワークであるGODNFを提案する。 本フレームワークは, ノード固有の挙動モデリングと動的近傍の影響により, ヘテロジニアス拡散パターンや時間的ダイナミクスを捉えるとともに, 深層においても効率よく, 解釈可能なメッセージの伝搬を確実にする。 多様な収束構成をモデル化するGODNFの能力を示す厳密な理論的解析を行う。 ノード分類と影響推定タスクの大規模な実証評価は、GODNFが最先端のGNNよりも優れていることを裏付ける。

関連論文リスト

• High-order expansion of Neural Ordinary Differential Equations flows [4.4569182855550755]
  イベントグラデーション上のニューラルODEダイナミクスの厳密な数学的記述を提供する高階微分に基づくフレームワークであるイベントトランジションを紹介する。 本研究は,イベントトリガー型ニューラルディファレンス方程式のより深い理論的基礎と,複雑なシステム力学を説明する数学的構造に寄与する。
  論文  参考訳（メタデータ） (2025-04-02T08:57:34Z)
• A Dynamical Systems-Inspired Pruning Strategy for Addressing Oversmoothing in Graph Neural Networks [18.185834696177654]
  グラフニューラルネットワーク(GNN)のオーバースムース化は、ネットワークの深さが増加するにつれて大きな課題となる。 オーバースムーシングの根本原因を特定し,textbftextitDYNAMO-GATを提案する。 我々の理論的分析は、DYNAMO-GATが過密状態への収束を妨げていることを示している。
  論文  参考訳（メタデータ） (2024-12-10T07:07:06Z)
• Transformers from Diffusion: A Unified Framework for Neural Message Passing [79.9193447649011]
  メッセージパッシングニューラルネットワーク(MPNN)は、デファクトクラスのモデルソリューションとなっている。 本稿では,拡散の誘導バイアスとエネルギーの層的制約を統合するエネルギー制約拡散モデルを提案する。 これらの知見に基づいて、我々はTransformer (DIFFormer)と呼ばれる新しいタイプのメッセージパッシングモデルを考案した。
  論文  参考訳（メタデータ） (2024-09-13T17:54:41Z)
• Graph Neural Aggregation-diffusion with Metastability [4.040326569845733]
  微分方程式に基づく連続グラフニューラルモデルはグラフニューラルネット(GNN)のアーキテクチャを拡張した 相互作用ポテンシャルによって誘導される非線形拡散と凝集の微妙なバランスを含むグラフ凝集拡散方程式に着想を得たGRADEを提案する。 我々はGRADEが様々なベンチマークで競合性能を達成し、GNNにおける過度にスムースな問題を軽減することを証明した。
  論文  参考訳（メタデータ） (2024-03-29T15:05:57Z)
• SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
  等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。 また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。 我々のモデルは最先端のベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-08-25T07:15:58Z)
• Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
  本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。 本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。 我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
  論文  参考訳（メタデータ） (2020-06-16T18:45:20Z)

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。