論文の概要: Graph Alignment via Dual-Pass Spectral Encoding and Latent Space Communication

• arxiv url: http://arxiv.org/abs/2509.09597v1
• Date: Thu, 11 Sep 2025 16:36:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.473598
• Title: Graph Alignment via Dual-Pass Spectral Encoding and Latent Space Communication
• Title（参考訳）: デュアルパススペクトル符号化と遅延空間通信によるグラフアライメント
• Authors: Maysam Behmanesh, Erkan Turan, Maks Ovsjanikov,
• Abstract要約: 本稿では,ノードの特異性を同時に強化し,潜在空間間の幾何的整合性を実現する新しいグラフアライメントフレームワークを提案する。 提案手法では,低域通過スペクトルフィルタと高域通過スペクトルフィルタを組み合わせたデュアルパスエンコーダを導入し,構造認識と高判別の両方が可能な埋め込みを生成する。
• 参考スコア（独自算出の注目度）: 31.43539830271355
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph alignment-the problem of identifying corresponding nodes across multiple graphs-is fundamental to numerous applications. Most existing unsupervised methods embed node features into latent representations to enable cross-graph comparison without ground-truth correspondences. However, these methods suffer from two critical limitations: the degradation of node distinctiveness due to oversmoothing in GNN-based embeddings, and the misalignment of latent spaces across graphs caused by structural noise, feature heterogeneity, and training instability, ultimately leading to unreliable node correspondences. We propose a novel graph alignment framework that simultaneously enhances node distinctiveness and enforces geometric consistency across latent spaces. Our approach introduces a dual-pass encoder that combines low-pass and high-pass spectral filters to generate embeddings that are both structure-aware and highly discriminative. To address latent space misalignment, we incorporate a geometry-aware functional map module that learns bijective and isometric transformations between graph embeddings, ensuring consistent geometric relationships across different representations. Extensive experiments on graph benchmarks demonstrate that our method consistently outperforms existing unsupervised alignment baselines, exhibiting superior robustness to structural inconsistencies and challenging alignment scenarios. Additionally, comprehensive evaluation on vision-language benchmarks using diverse pretrained models shows that our framework effectively generalizes beyond graph domains, enabling unsupervised alignment of vision and language representations.
• Abstract（参考訳）: グラフアライメント - 複数のグラフにまたがる対応するノードを識別する問題は、多くのアプリケーションに基本である。 既存の殆どの教師なし手法はノードの特徴を潜在表現に埋め込んで、接地真実の対応なしにクロスグラフ比較を可能にする。 しかし、これらの手法には、GNNベースの埋め込みにおける過度な平滑化によるノードの特異性の低下と、構造的ノイズ、特徴的不均一性、トレーニング不安定性に起因するグラフ間の遅延空間の不整合という2つの限界がある。 本稿では,ノードの特異性を同時に強化し,潜在空間間の幾何的整合性を実現する新しいグラフアライメントフレームワークを提案する。 提案手法では,低域通過スペクトルフィルタと高域通過スペクトルフィルタを組み合わせたデュアルパスエンコーダを導入し,構造認識と高判別の両方が可能な埋め込みを生成する。 遅延空間の不整合に対処するために、グラフ埋め込み間の単射および等尺変換を学習し、異なる表現間の一貫した幾何学的関係を確実にする幾何対応関数写像モジュールを組み込んだ。 グラフベンチマークの大規模な実験により、我々の手法は既存の非教師なしアライメントベースラインを一貫して上回り、構造的不整合に優れたロバスト性を示し、アライメントシナリオに挑戦することを示した。 さらに,多種多様な事前学習モデルを用いた視覚言語ベンチマークの総合評価により,我々のフレームワークはグラフ領域を超えて効果的に一般化され,視覚と言語表現の教師なしアライメントが可能となった。

関連論文リスト

• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• What Improves the Generalization of Graph Transformers? A Theoretical Dive into the Self-attention and Positional Encoding [67.59552859593985]
  自己アテンションと位置エンコーディングを組み込んだグラフトランスフォーマーは、さまざまなグラフ学習タスクのための強力なアーキテクチャとして登場した。 本稿では,半教師付き分類のための浅いグラフ変換器の理論的検討について紹介する。
  論文  参考訳（メタデータ） (2024-06-04T05:30:16Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• ALEX: Towards Effective Graph Transfer Learning with Noisy Labels [11.115297917940829]
  本稿では,グラフ伝達学習の課題に対処するため,バランスアライメントと情報認識試験(ALEX)と呼ばれる新しい手法を提案する。 ALEXはまず特異値分解を使用して、重要な構造的意味論を持つ異なるビューを生成し、堅牢なノード表現を提供する。 この基礎の上に構築され、複雑なマルチモーダル分布の暗黙的な領域アライメントのために、対向領域判別器が組み込まれている。
  論文  参考訳（メタデータ） (2023-09-26T04:59:49Z)
• BOURNE: Bootstrapped Self-supervised Learning Framework for Unified Graph Anomaly Detection [50.26074811655596]
  自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。 ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。 BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
  論文  参考訳（メタデータ） (2023-07-28T00:44:57Z)
• Learning to Identify Graphs from Node Trajectories in Multi-Robot Networks [15.36505600407192]
  本稿では,グローバル収束保証付きグラフトポロジを効率的に発見する学習ベースアプローチを提案する。 マルチロボット生成および群れ処理におけるグラフの同定におけるアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-07-10T07:09:12Z)
• Robust Attributed Graph Alignment via Joint Structure Learning and Optimal Transport [26.58964162799207]
  本稿では,構造化学習と最適輸送アライメントを併用した教師なしグラフアライメントフレームワークSLOTAlignを提案する。 マルチビュー構造学習を取り入れて、グラフ表現能力を高め、グラフ間で継承された構造と特徴の不整合の影響を低減する。 提案したSLOTAlignは、7つの教師なしグラフアライメント法と5つの特殊なKGアライメント法よりも優れた性能と強いロバスト性を示す。
  論文  参考訳（メタデータ） (2023-01-30T08:41:36Z)
• Sparse Partial Least Squares for Coarse Noisy Graph Alignment [10.172041234280865]
  グラフ信号処理(GSP)は、様々な領域で発生する信号を分析する強力なフレームワークを提供する。 本稿では,観測されたグラフ構造を組み込んで,その基盤となるブロックコミュニティ構造を反映させる,新しい正則化部分最小二乗法を提案する。
  論文  参考訳（メタデータ） (2021-04-06T21:52:15Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)

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。