論文の概要: GraphWeave: Interpretable and Robust Graph Generation via Random Walk Trajectories

• arxiv url: http://arxiv.org/abs/2509.17291v1
• Date: Mon, 22 Sep 2025 00:10:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.203071
• Title: GraphWeave: Interpretable and Robust Graph Generation via Random Walk Trajectories
• Title（参考訳）: GraphWeave: ランダムウォークトラジェクトリによる解釈およびロバストグラフ生成
• Authors: Rahul Nandakumar, Deepayan Chakrabarti,
• Abstract要約: 未知の家系のグラフの集合を考えると、我々はその家族から新しいグラフを生成したい。 最近の手法では、グラフ埋め込みまたはノードとエッジの離散空間の拡散を用いる。 多くの拡散ステップの後、どのグラフパターンが観察されるかを予測するのは難しい。 提案手法はGraphWeaveと呼ばれ,パターン生成とグラフ構築を分離する。 次に、2つのステップで新しいグラフを生成します。まず、学習したパターンにマッチするリアルなランダムウォーク「軌跡」を生成します。次に、これらの軌跡に適合する最適なグラフを見つけます。
• 参考スコア（独自算出の注目度）: 21.601579572843978
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Given a set of graphs from some unknown family, we want to generate new graphs from that family. Recent methods use diffusion on either graph embeddings or the discrete space of nodes and edges. However, simple changes to embeddings (say, adding noise) can mean uninterpretable changes in the graph. In discrete-space diffusion, each step may add or remove many nodes/edges. It is hard to predict what graph patterns we will observe after many diffusion steps. Our proposed method, called GraphWeave, takes a different approach. We separate pattern generation and graph construction. To find patterns in the training graphs, we see how they transform vectors during random walks. We then generate new graphs in two steps. First, we generate realistic random walk "trajectories" which match the learned patterns. Then, we find the optimal graph that fits these trajectories. The optimization infers all edges jointly, which improves robustness to errors. On four simulated and five real-world benchmark datasets, GraphWeave outperforms existing methods. The most significant differences are on large-scale graph structures such as PageRank, cuts, communities, degree distributions, and flows. GraphWeave is also 10x faster than its closest competitor. Finally, GraphWeave is simple, needing only a transformer and standard optimizers.
• Abstract（参考訳）: 未知の家系のグラフの集合を考えると、我々はその家族から新しいグラフを生成したい。 最近の手法では、グラフ埋め込みまたはノードとエッジの離散空間の拡散を用いる。 しかし、埋め込みへの単純な変更(例えば、ノイズを追加する)は、グラフの解釈不能な変更を意味します。 離散空間拡散では、各ステップは多くのノード/エッジを追加または削除することができる。 多くの拡散ステップの後、どのグラフパターンが観察されるかを予測するのは難しい。 提案手法はGraphWeaveと呼ばれ,アプローチが異なる。 パターン生成とグラフ構築を分離します。 トレーニンググラフのパターンを見つけるために、ランダムウォーク中にベクトルを変換する方法を見る。 次に、2つのステップで新しいグラフを生成します。 まず、学習パターンにマッチしたリアルなランダムウォーク「軌道」を生成する。 そして、これらの軌跡に適合する最適なグラフを見つける。 最適化はすべてのエッジを共同で推論し、エラーに対する堅牢性を改善する。 4つのシミュレーションと5つの実世界のベンチマークデータセットで、GraphWeaveは既存のメソッドよりも優れています。 最も大きな違いは、PageRank、カット、コミュニティ、度数分布、フローのような大規模なグラフ構造である。 GraphWeaveも、最も近い競合相手の10倍高速である。 最後に、GraphWeaveはシンプルで、トランスフォーマーと標準オプティマイザのみを必要とする。

関連論文リスト

• Random Walk Diffusion for Efficient Large-Scale Graph Generation [0.43108040967674194]
  本稿では,ARROW-Diff(AutoRegressive RandOm Walk Diffusion)を提案する。 我々は、ARROW-Diffが、生成時間と多重グラフ統計の両方の観点から、他のベースライン手法を超越して、大きなグラフに効率的にスケールできることを実証した。
  論文  参考訳（メタデータ） (2024-08-08T13:42:18Z)
• Robust Graph Structure Learning under Heterophily [12.557639223778722]
  本稿では、下流タスクのための異種データから高品質なグラフを実現するための、新しい頑健なグラフ構造学習法を提案する。 まず,そのノードの特徴に構造情報をエンコードすることで,各ノードが近隣ノードとより区別されるようにハイパスフィルタを適用する。 そして、異なるレベルのノイズを特徴付ける適応ノルムを持つ頑健なグラフを学習する。
  論文  参考訳（メタデータ） (2024-03-06T12:29:13Z)
• 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)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• Explanation Graph Generation via Pre-trained Language Models: An Empirical Study with Contrastive Learning [84.35102534158621]
  エンドツーエンドで説明グラフを生成する事前学習言語モデルについて検討する。 本稿では,ノードとエッジの編集操作によるグラフ摂動の簡易かつ効果的な方法を提案する。 提案手法は,説明グラフの構造的精度と意味的精度を両立させる。
  論文  参考訳（メタデータ） (2022-04-11T00:58:27Z)
• G-Mixup: Graph Data Augmentation for Graph Classification [55.63157775049443]
  Mixupは、2つのランダムサンプル間の特徴とラベルを補間することにより、ニューラルネットワークの一般化とロバスト性を改善する上で優位性を示している。 グラフ分類のためのグラフを増補するために$mathcalG$-Mixupを提案し、グラフの異なるクラスのジェネレータ(すなわちグラフ)を補間する。 実験により、$mathcalG$-MixupはGNNの一般化とロバスト性を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2022-02-15T04:09:44Z)
• Intrusion-Free Graph Mixup [33.07540841212878]
  グラフニューラルネットワーク(GNN)の一般化を改善するための,単純かつ効果的な正規化手法を提案する。 視覚とテキストのためのMixup regularizerの最近の進歩を利用して、ランダムなサンプルペアとそのラベルを補間して、トレーニング用の合成サンプルを作成する。 提案手法は,グラフ分類学習を効果的に正規化することが可能であり,一般的なグラフ拡張ベースラインよりも予測精度が優れている。
  論文  参考訳（メタデータ） (2021-10-18T14:16:00Z)
• Generating a Doppelganger Graph: Resembling but Distinct [5.618335078130568]
  本論文では,与えられたグラフ特性に類似したドッペルガンガーグラフを生成する手法を提案する。 このアプローチは、グラフ表現学習、生成的敵ネットワーク、およびグラフ実現アルゴリズムのオーケストレーションである。
  論文  参考訳（メタデータ） (2021-01-23T22:08:27Z)

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。