論文の概要: A Generative Model for Controllable Feature Heterophily in Graphs
- arxiv url: http://arxiv.org/abs/2509.23230v1
- Date: Sat, 27 Sep 2025 10:31:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-30 22:32:19.111512
- Title: A Generative Model for Controllable Feature Heterophily in Graphs
- Title（参考訳）: グラフにおける制御可能な特徴のヘテロフォリー生成モデル
- Authors: Haoyu Wang, Renyuan Ma, Gonzalo Mateos, Luana Ruiz,
- Abstract要約: 本稿では,特徴ヘテロフィリーの明示的な制御を可能にするグラフ信号生成フレームワークを提案する。
グラフファミリとスペクトルフィルタ間のホモフィリーの精密制御を実験により検証する。
- 参考スコア（独自算出の注目度）: 20.544883148336293
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce a principled generative framework for graph signals that enables explicit control of feature heterophily, a key property underlying the effectiveness of graph learning methods. Our model combines a Lipschitz graphon-based random graph generator with Gaussian node features filtered through a smooth spectral function of the rescaled Laplacian. We establish new theoretical guarantees: (i) a concentration result for the empirical heterophily score; and (ii) almost-sure convergence of the feature heterophily measure to a deterministic functional of the graphon degree profile, based on a graphon-limit law for polynomial averages of Laplacian eigenvalues. These results elucidate how the interplay between the graphon and the filter governs the limiting level of feature heterophily, providing a tunable mechanism for data modeling and generation. We validate the theory through experiments demonstrating precise control of homophily across graph families and spectral filters.
- Abstract（参考訳）: 本稿では,グラフ学習手法の有効性の根底にある重要な特性である特徴ヘテロフィリの明示的な制御を可能にする,グラフ信号の原理的生成フレームワークを提案する。
我々のモデルは、リプシッツグラフンに基づくランダムグラフ生成器と、再スケールしたラプラシアンのスムーズなスペクトル関数によってフィルタリングされたガウスノード特徴を組み合わせる。
我々は、新しい理論的保証を確立する。
一 経験的ヘテロフィリースコアの集中結果、及び
(II)ラプラシアン固有値の多項式平均に対するグラノン極限法則に基づいて、特徴ヘテロフィリー測度をグラノン次数プロファイルの決定論的関数にほぼ収束させる。
これらの結果は、グラフンとフィルタの相互作用が機能ヘテロフィリーの制限レベルをどのように支配するかを解明し、データモデリングと生成のための調整可能なメカニズムを提供する。
グラフファミリとスペクトルフィルタ間のホモフィリーの精密制御を実験により検証する。
関連論文リスト
- Generating Graphs via Spectral Diffusion [48.70458395826864]
本稿では,1)グラフラプラシア行列のスペクトル分解と2)拡散過程に基づく新しいグラフ生成モデルGGSDを提案する。
合成グラフと実世界のグラフの両方に関する広範な実験は、最先端の代替品に対する我々のモデルの強みを実証している。
論文 参考訳（メタデータ） (2024-02-29T09:26:46Z) - HoloNets: Spectral Convolutions do extend to Directed Graphs [59.851175771106625]
従来の知恵は、スペクトル畳み込みネットワークは無向グラフ上にしか展開できないと規定している。
ここでは、このグラフフーリエ変換への伝統的な依存が超フルであることを示す。
本稿では,新たに開発されたフィルタの周波数応答解釈を行い,フィルタ表現に使用するベースの影響を調査し,ネットワークを基盤とする特性演算子との相互作用について議論する。
論文 参考訳（メタデータ） (2023-10-03T17:42:09Z) - Graph Classification Gaussian Processes via Spectral Features [7.474662887810221]
グラフ分類は、その構造とノード属性に基づいてグラフを分類することを目的としている。
本研究では,スペクトル特徴を導出するグラフ信号処理ツールを用いて,この課題に取り組むことを提案する。
このような単純なアプローチであっても、学習されたパラメータがなくても、強力なニューラルネットワークやグラフカーネルのベースラインと比較して、競争力のあるパフォーマンスが得られることを示す。
論文 参考訳（メタデータ） (2023-06-06T15:31:05Z) - Conditional Diffusion Based on Discrete Graph Structures for Molecular
Graph Generation [32.66694406638287]
分子グラフ生成のための離散グラフ構造(CDGS)に基づく条件拡散モデルを提案する。
具体的には、微分方程式(SDE)を用いて、グラフ構造と固有の特徴の両方に対して前方グラフ拡散過程を構築する。
本稿では,中間グラフ状態からグローバルコンテキストと局所ノードエッジ依存性を抽出する,特殊なハイブリッドグラフノイズ予測モデルを提案する。
論文 参考訳（メタデータ） (2023-01-01T15:24:15Z) - DiGress: Discrete Denoising diffusion for graph generation [79.13904438217592]
DiGressは、分類ノードとエッジ属性を持つグラフを生成するための離散化拡散モデルである。
分子と非分子のデータセットで最先端のパフォーマンスを実現し、最大3倍の妥当性が向上する。
また、1.3Mの薬物様分子を含む大規模なGuacaMolデータセットにスケールする最初のモデルでもある。
論文 参考訳（メタデータ） (2022-09-29T12:55:03Z) - Graph Pooling with Node Proximity for Hierarchical Representation
Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。
その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文 参考訳（メタデータ） (2020-06-19T13:09:44Z) - Gaussian Processes on Graphs via Spectral Kernel Learning [9.260186030255081]
グラフのノード上で定義された信号の予測のためのグラフスペクトルに基づくガウス過程を提案する。
合成実験におけるモデルの解釈可能性を示し、様々な基底真理スペクトルフィルタを精度良く回収できることを示す。
論文 参考訳（メタデータ） (2020-06-12T17:51:22Z)
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。