論文の概要: Long-Range Graph Wavelet Networks

• arxiv url: http://arxiv.org/abs/2509.06743v1
• Date: Mon, 08 Sep 2025 14:35:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:04.19204
• Title: Long-Range Graph Wavelet Networks
• Title（参考訳）: ロングランジグラフウェーブレットネットワーク
• Authors: Filippo Guerranti, Fabrizio Forte, Simon Geisler, Stephan Günnemann,
• Abstract要約: グラフ機械学習では、長距離インタラクションが中心的な課題である。 既存のウェーブレットベースのグラフニューラルネットワークは有限次近似に依存している。 本稿では、ウェーブレットを補完的なローカルおよびグローバルなコンポーネントに分解するLong-Range Graphlet Networks (LR-GWN)を提案する。
• 参考スコア（独自算出の注目度）: 48.591533900586626
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modeling long-range interactions, the propagation of information across distant parts of a graph, is a central challenge in graph machine learning. Graph wavelets, inspired by multi-resolution signal processing, provide a principled way to capture both local and global structures. However, existing wavelet-based graph neural networks rely on finite-order polynomial approximations, which limit their receptive fields and hinder long-range propagation. We propose Long-Range Graph Wavelet Networks (LR-GWN), which decompose wavelet filters into complementary local and global components. Local aggregation is handled with efficient low-order polynomials, while long-range interactions are captured through a flexible spectral domain parameterization. This hybrid design unifies short- and long-distance information flow within a principled wavelet framework. Experiments show that LR-GWN achieves state-of-the-art performance among wavelet-based methods on long-range benchmarks, while remaining competitive on short-range datasets.
• Abstract（参考訳）: グラフの遠方部分にわたる情報の伝搬である長距離相互作用をモデル化することは、グラフ機械学習における中心的な課題である。 多解像度信号処理にインスパイアされたグラフウェーブレットは、局所構造と大域構造の両方を捉えるための原則化された方法を提供する。 しかし、既存のウェーブレットベースのグラフニューラルネットワークは、その受容場を制限し、長距離伝播を妨げる有限次多項式近似に依存している。 本稿では,Long-Range Graph Wavelet Networks (LR-GWN)を提案する。 局所アグリゲーションは効率的な低次多項式で処理され、ロングレンジ相互作用はフレキシブルスペクトル領域パラメータ化によって取得される。 このハイブリッド設計は、原則ウェーブレットフレームワーク内の短距離および長距離情報の流れを統一する。 実験により、LR-GWNは、短距離データセットで競合しながら、長距離ベンチマークでウェーブレットベースの手法で最先端のパフォーマンスを達成することが示された。

関連論文リスト

• DeltaGNN: Graph Neural Network with Information Flow Control [5.563171090433323]
  グラフニューラルネットワーク(GNN)は、メッセージパッシングプロセスの近傍集約を通じてグラフ構造化データを処理するように設計されている。 メッセージパッシングにより、GNNは短距離空間的相互作用を理解できるだけでなく、過度なスムーシングや過度なスカッシングに悩まされる。 本稿では,線形計算オーバーヘッドを伴うオーバー・スムーシングとオーバー・スキャッシングに対処するための,emph情報フロー制御機構を提案する。 さまざまなサイズ、トポロジ、密度、ホモフィリック比のグラフを含む10の実世界のデータセットを対象に、我々のモデルをベンチマークし、優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-01-10T14:34:20Z)
• Dual-Frequency Filtering Self-aware Graph Neural Networks for Homophilic and Heterophilic Graphs [60.82508765185161]
  我々は、Dual-Frequency Filtering Self-Aware Graph Neural Networks (DFGNN)を提案する。 DFGNNは低域通過フィルタと高域通過フィルタを統合し、滑らかで詳細な位相的特徴を抽出する。 フィルター比を動的に調整し、ホモフィルグラフとヘテロフィルグラフの両方に対応する。
  論文  参考訳（メタデータ） (2024-11-18T04:57:05Z)
• A General Graph Spectral Wavelet Convolution via Chebyshev Order Decomposition [41.41593198072709]
  本稿では,マルチレゾリューションスペクトルベースと行列値フィルタカーネルを統合した新しいウェーブレットベースのグラフ畳み込みネットワークWaveGCを提案する。 理論的には、WaveGCは、短距離および長距離情報を効果的にキャプチャし、分離できることを確立し、より優れたフィルタリング柔軟性を提供する。 我々の数値実験は、短距離タスクと長距離タスクの両方において一貫した改善を示す。
  論文  参考訳（メタデータ） (2024-05-22T16:32:27Z)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• Fast Temporal Wavelet Graph Neural Networks [7.477634824955323]
  時系列データに基づくタスク学習のためのFTWGNN(Fast Temporal Wavelet Graph Neural Networks)を提案する。 我々は高密度グラフ構造を分解し、対応するスパースウェーブレット基底を計算するために、MMF(Multi resolution Matrix Factorization)を用いる。 実世界のPEMS-BAY, METR-LAトラフィックデータセット, AJILE12 ECoGデータセットによる実験結果から,FTWGNNは最先端技術と競合していることが示された。
  論文  参考訳（メタデータ） (2023-02-17T01:21:45Z)
• Quasi-Framelets: Robust Graph Neural Networks via Adaptive Framelet Convolution [28.474359021962346]
  スペクトルグラフニューラルネットワーク(GNN)のためのマルチスケールフレームレット畳み込みを提案する。 提案設計は、不要なスペクトル情報をフィルタリングし、ノイズグラフ信号の悪影響を著しく低減する。 ノイズの多いデータや敵攻撃に対する優れたレジリエンスを示しており、現実世界のグラフアプリケーションに対する堅牢なソリューションとしての可能性を強調している。
  論文  参考訳（メタデータ） (2022-01-11T00:10:28Z)
• Spatio-Temporal Joint Graph Convolutional Networks for Traffic Forecasting [75.10017445699532]
  近年、時間グラフモデリング問題として交通予測の定式化に焦点が移っている。 本稿では,道路網における交通予測の精度向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-25T08:45:14Z)
• Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph Wavelets [81.63035727821145]
  スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。 本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-03T17:57:53Z)

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。