論文の概要: Dynamic Triangulation-Based Graph Rewiring for Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2508.19071v2
• Date: Thu, 28 Aug 2025 09:15:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 11:47:01.199121
• Title: Dynamic Triangulation-Based Graph Rewiring for Graph Neural Networks
• Title（参考訳）: 動的三角法に基づくグラフニューラルネットワークのグラフリウィリング
• Authors: Hugo Attali, Thomas Papastergiou, Nathalie Pernelle, Fragkiskos D. Malliaros,
• Abstract要約: グラフニューラルネットワーク(GNN)は、グラフ構造化データを学習するための主要なパラダイムとして登場した。 グラフリウィリングの最近の進歩は、より効果的な情報伝達を促進するために、グラフトポロジを変更することによってこれらの制限を緩和することを目的としている。 複数のグラフビューから関連する三角形を選択することを学ぶことで、リッチで非平面三角測量を構築する新しいフレームワークであるTRIGONを紹介する。
• 参考スコア（独自算出の注目度）: 7.527798155040119
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Neural Networks (GNNs) have emerged as the leading paradigm for learning over graph-structured data. However, their performance is limited by issues inherent to graph topology, most notably oversquashing and oversmoothing. Recent advances in graph rewiring aim to mitigate these limitations by modifying the graph topology to promote more effective information propagation. In this work, we introduce TRIGON, a novel framework that constructs enriched, non-planar triangulations by learning to select relevant triangles from multiple graph views. By jointly optimizing triangle selection and downstream classification performance, our method produces a rewired graph with markedly improved structural properties such as reduced diameter, increased spectral gap, and lower effective resistance compared to existing rewiring methods. Empirical results demonstrate that TRIGON outperforms state-of-the-art approaches on node classification tasks across a range of homophilic and heterophilic benchmarks.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、グラフ構造化データを学習するための主要なパラダイムとして登場した。 しかし、そのパフォーマンスはグラフトポロジに固有の問題、特に過密と過密によって制限されている。 グラフリウィリングの最近の進歩は、より効果的な情報伝達を促進するために、グラフトポロジを変更することによってこれらの制限を緩和することを目的としている。 本研究では,複数のグラフビューから関連する三角形を選択することを学ぶことで,リッチで平面でない三角測量を構築する新しいフレームワークであるTRIGONを紹介する。 提案手法は, 三角形選択と下流分類性能を協調的に最適化することにより, 縮小径, スペクトルギャップの増大, 既存の再配線法に比べて有効抵抗の低下など, 構造特性を著しく改善した再配線グラフを生成する。 実験の結果、TRIGONは、同好性および異好性ベンチマークの範囲で、ノード分類タスクにおける最先端のアプローチよりも優れていることが示された。

関連論文リスト

• Torque-based Graph Surgery:Enhancing Graph Neural Networks with Hierarchical Rewiring [16.99691459321181]
  異種グラフにおける表現学習を改善するために,トルク駆動型階層的再配線戦略を提案する。 我々は、エッジによって誘起される摂動を定量化するために、構造距離とエネルギースコアを統合する干渉対応トルク計量を定義する。 提案手法は異種グラフおよび同種グラフの最先端手法を超越し,ノイズグラフの高精度性を維持する。
  論文  参考訳（メタデータ） (2025-07-29T01:14:27Z)
• GLANCE: Graph Logic Attention Network with Cluster Enhancement for Heterophilous Graph Representation Learning [54.60090631330295]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習する上で大きな成功を収めている。 本稿では,論理誘導推論,動的グラフ改善,適応クラスタリングを統合し,グラフ表現学習を強化する新しいフレームワークであるGLANCEを提案する。
  論文  参考訳（メタデータ） (2025-07-24T15:45:26Z)
• Mitigating Over-Squashing in Graph Neural Networks by Spectrum-Preserving Sparsification [81.06278257153835]
  本稿では,構造的ボトルネック低減とグラフ特性保存のバランスをとるグラフ再構成手法を提案する。 本手法は、疎性を維持しながら接続性を高めたグラフを生成し、元のグラフスペクトルを大半保存する。
  論文  参考訳（メタデータ） (2025-06-19T08:01:00Z)
• It Takes a Graph to Know a Graph: Rewiring for Homophily with a Reference Graph [19.222317334613162]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データの解析に長けているが、連結ノードがしばしば異なるクラスに属している異種グラフに苦戦している。 我々は、エッジホモフィリー、GNN埋め込みの滑らかさ、ノード分類性能をリンクする理論的基礎を提供する。 参照グラフを用いてグラフをホモフィリに増加させるリワイアリングフレームワークを導入し、リワイアグラフのホモフィリを理論的に保証する。
  論文  参考訳（メタデータ） (2025-05-18T13:28:56Z)
• A Signed Graph Approach to Understanding and Mitigating Oversmoothing in GNNs [54.62268052283014]
  署名されたグラフの枠組みに基づく統一的な理論的視点を示す。 既存の戦略の多くは、メッセージパッシングを変えて過度な操作に抵抗する負のエッジを暗黙的に導入している。 本稿では,ラベルや特徴の類似性に基づいて署名されたエッジを割り当てるプラグイン・アンド・プレイ方式であるStructure Balanced Propagation (SBP)を提案する。
  論文  参考訳（メタデータ） (2025-02-17T03:25:36Z)
• 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)
• Contrastive Learning for Non-Local Graphs with Multi-Resolution Structural Views [1.4445779250002606]
  本稿では,グラフ上の拡散フィルタを統合する新しい多視点コントラスト学習手法を提案する。 複数のグラフビューを拡張として組み込むことで、異種グラフの構造的等価性を捉える。
  論文  参考訳（メタデータ） (2023-08-19T17:42:02Z)
• Addressing Heterophily in Node Classification with Graph Echo State Networks [11.52174067809364]
  ノード分類のためのグラフエコー状態ネットワーク(GESN)を用いた異種グラフの課題に対処する。 GESNはグラフのための貯水池計算モデルであり、ノードの埋め込みは訓練されていないメッセージパッシング関数によって計算される。 実験の結果, 貯水池モデルでは, ほぼ完全に訓練された深層モデルに対して, より優れた精度あるいは同等の精度が得られることがわかった。
  論文  参考訳（メタデータ） (2023-05-14T19:42:31Z)
• Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
  本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。 具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
  論文  参考訳（メタデータ） (2022-01-17T11:57:29Z)
• Interpretable Deep Graph Generation with Node-Edge Co-Disentanglement [55.2456981313287]
  本稿では,属性グラフの深部生成モデルのための新しいアンタングルメント拡張フレームワークを提案する。 ノードとエッジのデコンボリューションのための新しいアーキテクチャを用いて、上記の3種類の潜伏因子を解離する新しい変分的目的を提案する。 各タイプ内では、画像の既存のフレームワークの一般化が示され、個々の因子のゆがみがさらに強化される。
  論文  参考訳（メタデータ） (2020-06-09T16:33:49Z)

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。