論文の概要: Learn to Jump: Adaptive Random Walks for Long-Range Propagation through Graph Hierarchies

• arxiv url: http://arxiv.org/abs/2509.01381v1
• Date: Mon, 01 Sep 2025 11:27:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.661532
• Title: Learn to Jump: Adaptive Random Walks for Long-Range Propagation through Graph Hierarchies
• Title（参考訳）: ジャンプを学ぶ - グラフ階層による長距離伝播のための適応的ランダムウォーク
• Authors: Joël Mathys, Federico Errica,
• Abstract要約: 本稿では,階層グラフ構造と適応ランダムウォークを利用した新しい手法を提案する。 本手法では,歩行が元のグラフを好むか,階層的なショートカットを横断するかを決定する学習可能な遷移確率を導入する。
• 参考スコア（独自算出の注目度）: 11.079279032331483
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Message-passing architectures struggle to sufficiently model long-range dependencies in node and graph prediction tasks. We propose a novel approach exploiting hierarchical graph structures and adaptive random walks to address this challenge. Our method introduces learnable transition probabilities that decide whether the walk should prefer the original graph or travel across hierarchical shortcuts. On a synthetic long-range task, we demonstrate that our approach can exceed the theoretical bound that constrains traditional approaches operating solely on the original topology. Specifically, walks that prefer the hierarchy achieve the same performance as longer walks on the original graph. These preliminary findings open a promising direction for efficiently processing large graphs while effectively capturing long-range dependencies.
• Abstract（参考訳）: メッセージパッシングアーキテクチャは、ノードおよびグラフ予測タスクにおける長距離依存関係を十分にモデル化するのに苦労します。 本稿では,階層グラフ構造と適応ランダムウォークを利用した新しい手法を提案する。 本手法では,歩行が元のグラフを好むか,階層的なショートカットを横断するかを決定する学習可能な遷移確率を導入する。 合成長範囲タスクでは、従来のアプローチが元のトポロジにのみ依存する理論的境界を超えることができることを示す。 具体的には、階層性を好むウォークは、元のグラフ上のウォークと同じパフォーマンスを達成する。 これらの予備的な発見は、長距離依存を効果的に捉えながら、大きなグラフを効率的に処理するための有望な方向を開く。

関連論文リスト

• Skeleton-Guided Learning for Shortest Path Search [31.51778160288742]
  最短経路探索はグラフベースのアプリケーションにおける中核的な操作である。 汎用グラフ上での最短経路探索のための多目的学習に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-04T10:21:52Z)
• On Measuring Long-Range Interactions in Graph Neural Networks [24.974333602585368]
  長距離グラフタスクは、グラフニューラルネットワーク研究においてオープンな問題である。 グラフ上の演算子に対するレンジ測度を導入し、合成実験により検証する。
  論文  参考訳（メタデータ） (2025-06-06T10:48:30Z)
• Extendable Long-Horizon Planning via Hierarchical Multiscale Diffusion [62.91968752955649]
  本稿では,学習データよりも長い軌道計画を行うための,拡張可能な長期計画支援エージェントの課題に対処する。 より短いものを縫い合わせることで、より長い軌跡を反復的に生成する拡張法を提案する。 HM-ディフューザーは階層構造を用いてこれらの拡張軌道を訓練し、複数の時間スケールにわたるタスクを効率的に処理する。
  論文  参考訳（メタデータ） (2025-03-25T22:52:46Z)
• Learning Long Range Dependencies on Graphs via Random Walks [6.7864586321550595]
  メッセージパッシンググラフニューラルネットワーク(GNN)は、局所的な関係を捉えるのに優れているが、グラフの長距離依存に苦慮している。 グラフ変換器(GT)はグローバルな情報交換を可能にするが、グラフを固定長ベクトルの集合として表現することでグラフ構造を単純化することが多い。 この研究は、ランダムウォークの長距離情報とローカルメッセージパッシングを組み合わせることによって、両方のアプローチの欠点を克服する新しいアーキテクチャを導入する。
  論文  参考訳（メタデータ） (2024-06-05T15:36:57Z)
• Sparse Training of Discrete Diffusion Models for Graph Generation [45.103518022696996]
  SparseDiffは、ほとんど全ての大きなグラフがスパースであるという観察に基づく、新しい拡散モデルである。 エッジのサブセットを選択することで、SparseDiffは、ノイズ発生過程とノイズ発生ネットワーク内のスパースグラフ表現を効果的に活用する。 本モデルでは,小規模・大規模両方のデータセットにおいて,複数のメトリクスにわたる最先端性能を示す。
  論文  参考訳（メタデータ） (2023-11-03T16:50:26Z)
• Graph Generation with Diffusion Mixture [57.78958552860948]
  グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。 本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-07T17:07:46Z)
• 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)
• Persistence Homology for Link Prediction: An Interactive View [15.068319518015421]
  リンク予測は、グラフ構造データにとって重要な学習タスクです。 2つのノード間の相互作用を特徴付ける新しいトポロジカルアプローチを提案する。 また、異なるベンチマークで最新技術を上回るグラフニューラルネットワーク手法を提案する。
  論文  参考訳（メタデータ） (2021-02-20T04:33:59Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)

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。