論文の概要: InfraredGP: Efficient Graph Partitioning via Spectral Graph Neural Networks with Negative Corrections

• arxiv url: http://arxiv.org/abs/2508.19737v1
• Date: Wed, 27 Aug 2025 10:07:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-28 19:07:41.583929
• Title: InfraredGP: Efficient Graph Partitioning via Spectral Graph Neural Networks with Negative Corrections
• Title（参考訳）: InfraredGP: 負の補正を持つスペクトルグラフニューラルネットワークによる効率的なグラフ分割
• Authors: Meng Qin, Weihua Li, Jinqiang Cui, Sen Pei,
• Abstract要約: グラフ分割(GP)の問題を解決するために赤外GPを提案する。 InfraredGPは、トレーニングなしで標準的なクラスタリングモジュールに対して区別可能な埋め込みを導出できることを示す。 InfraredGPは、様々なベースラインに対して、より優れた効率(例えば16x-23倍高速)と競争品質を実現することができる。
• 参考スコア（独自算出の注目度）: 12.645183615662873
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Graph partitioning (GP), a.k.a. community detection, is a classic problem that divides nodes of a graph into densely-connected blocks. From a perspective of graph signal processing, we find that graph Laplacian with a negative correction can derive graph frequencies beyond the conventional range $[0, 2]$. To explore whether the low-frequency information beyond this range can encode more informative properties about community structures, we propose InfraredGP. It (\romannumeral1) adopts a spectral GNN as its backbone combined with low-pass filters and a negative correction mechanism, (\romannumeral2) only feeds random inputs to this backbone, (\romannumeral3) derives graph embeddings via one feed-forward propagation (FFP) without any training, and (\romannumeral4) obtains feasible GP results by feeding the derived embeddings to BIRCH. Surprisingly, our experiments demonstrate that based solely on the negative correction mechanism that amplifies low-frequency information beyond $[0, 2]$, InfraredGP can derive distinguishable embeddings for some standard clustering modules (e.g., BIRCH) and obtain high-quality results for GP without any training. Following the IEEE HPEC Graph Challenge benchmark, we evaluate InfraredGP for both static and streaming GP, where InfraredGP can achieve much better efficiency (e.g., 16x-23x faster) and competitive quality over various baselines. We have made our code public at https://github.com/KuroginQin/InfraredGP
• Abstract（参考訳）: グラフ分割(GP)は、グラフのノードを密結合ブロックに分割する古典的な問題である。 グラフ信号処理の観点からは、負の補正を施したグラフラプラシアンは、従来の範囲$[0, 2]$を超えるグラフ周波数を導出することができる。 この範囲を超える低周波情報が、コミュニティ構造に関するより情報的な特性を符号化できるかどうかを探るため、InfraredGPを提案する。 低域フィルタと負の補正機構を組み合わせたスペクトルGNNを採用し、(\romannumeral2)はランダムな入力のみをこのバックボーンに供給し、(\romannumeral3)は1つのフィードフォワード伝搬(FFP)を介してグラフ埋め込みを導出し、(\romannumeral4)はBIRCHに導出した埋め込みを供給して実現可能なGP結果を得る。 意外なことに、我々の実験は、[0, 2]$を超える低周波情報を増幅する負の補正機構のみに基づいて、InfraredGPは、いくつかの標準クラスタリングモジュール(例えば、BIRCH)に対して区別可能な埋め込みを導出し、トレーニングなしでGPの高品質な結果を得ることができることを実証した。 IEEE HPEC Graph Challengeのベンチマークに従って、InfraredGPは静的およびストリーミングGPの両方で評価し、InfraredGPは様々なベースラインよりもはるかに優れた効率(例えば16x-23倍高速)と競争品質を達成できる。 私たちはhttps://github.com/KuroginQin/InfraredGPでコードを公開しました。

関連論文リスト

• A Spectral Interpretation of Redundancy in a Graph Reservoir [51.40366905583043]
  この研究はMRGNN(Multi resolution Reservoir Graph Neural Network)における貯留層の定義を再考する。 コンピュータグラフィックスにおける表面設計の分野で最初に導入されたフェアリングアルゴリズムに基づく変種を提案する。 この論文の中核的な貢献は、ランダムウォークの観点からのアルゴリズムの理論解析にある。
  論文  参考訳（メタデータ） (2025-07-17T10:02:57Z)
• Graph Neural Networks Are More Than Filters: Revisiting and Benchmarking from A Spectral Perspective [49.613774305350084]
  グラフニューラルネットワーク(GNN)は、様々なグラフベースの学習タスクにおいて顕著な成功を収めている。 近年の研究では、非線形層などの他のコンポーネントが、GNNがスペクトル領域の入力グラフデータをどのように処理するかに大きく影響する可能性が示唆されている。 本稿では、入力グラフデータの異なる周波数成分に符号化された情報を捕捉し、活用する際のGNNの能力を評価するための総合的なベンチマークを提案する。
  論文  参考訳（メタデータ） (2024-12-10T04:53:53Z)
• GrokFormer: Graph Fourier Kolmogorov-Arnold Transformers [21.601090849000247]
  グラフ変換器(GT)は、人気のあるグラフニューラルネットワーク(GNN)上でのグラフ表現学習において顕著な性能を示した。 しかし、GTのコアモジュールである自己アテンションは、グラフの特徴において低周波信号のみを保持するため、高周波信号のような他の重要な信号の捕捉には効果がない。 適応的なグラフスペクトルとスペクトル秩序を持つ高表現性スペクトルフィルタを学習するグラフフーリエ・コルモゴロフ・アルノルド変換器(GrokFormer)を提案する。
  論文  参考訳（メタデータ） (2024-11-26T10:38:00Z)
• How Powerful is Graph Filtering for Recommendation [7.523823738965443]
  グラフフィルタリングのパワーを抑制する2つの制限を示す。 様々なノイズ分布のため、グラフフィルタは全ての周波数にノイズが散らばっているスパースデータを劣化させることができない。 教師付きトレーニングは、トレーニングなしでグラフフィルタによって除去できる中周波数にノイズが集中している高密度データに対して、より悪いパフォーマンスをもたらす。
  論文  参考訳（メタデータ） (2024-06-13T05:37:54Z)
• Spatio-Spectral Graph Neural Networks [50.277959544420455]
  比スペクトルグラフネットワーク(S$2$GNN)を提案する。 S$2$GNNは空間的およびスペクトル的にパラメータ化されたグラフフィルタを組み合わせる。 S$2$GNNsは、MPGNNsよりも厳密な近似理論誤差境界を生じる。
  論文  参考訳（メタデータ） (2024-05-29T14:28:08Z)
• FoSR: First-order spectral rewiring for addressing oversquashing in GNNs [0.0]
  グラフニューラルネットワーク(GNN)は、グラフのエッジに沿ってメッセージを渡すことによって、グラフデータの構造を活用することができる。 本稿では,グラフにエッジを体系的に付加することで過疎化を防止する計算効率のよいアルゴリズムを提案する。 提案アルゴリズムは,いくつかのグラフ分類タスクにおいて,既存のグラフリウィリング手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-21T07:58:03Z)
• Graph Neural Network Bandits [89.31889875864599]
  グラフ構造データ上で定義された報酬関数を用いた帯域最適化問題を考察する。 この設定の主な課題は、大きなドメインへのスケーリングと、多くのノードを持つグラフへのスケーリングである。 グラフニューラルネットワーク(GNN)を用いて報酬関数を推定できることを示す。
  論文  参考訳（メタデータ） (2022-07-13T18:12:36Z)
• Adaptive Kernel Graph Neural Network [21.863238974404474]
  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表現学習において大きな成功を収めている。 本稿では,AKGNN(Adaptive Kernel Graph Neural Network)という新しいフレームワークを提案する。 AKGNNは、最初の試みで最適なグラフカーネルに統一的に適応することを学ぶ。 評価されたベンチマークデータセットで実験を行い、提案したAKGNNの優れた性能を示す有望な結果を得た。
  論文  参考訳（メタデータ） (2021-12-08T20:23:58Z)
• Graph Neural Networks with Adaptive Frequency Response Filter [55.626174910206046]
  適応周波数応答フィルタを用いたグラフニューラルネットワークフレームワークAdaGNNを開発した。 提案手法の有効性を,様々なベンチマークデータセット上で実証的に検証した。
  論文  参考訳（メタデータ） (2021-04-26T19:31:21Z)

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。