論文の概要: LEAP: Local ECT-Based Learnable Positional Encodings for Graphs

• arxiv url: http://arxiv.org/abs/2510.00757v1
• Date: Wed, 01 Oct 2025 10:44:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-03 16:59:20.519626
• Title: LEAP: Local ECT-Based Learnable Positional Encodings for Graphs
• Title（参考訳）: LEAP: ローカルECTベースのグラフの学習可能な位置エンコーディング
• Authors: Juan Amboage, Ernst Röell, Patrick Schnider, Bastian Rieck,
• Abstract要約: グラフ位置符号化(PE)はこれらの制限に対処するための有望な方向として登場した。 グラフのための新しいエンドツーエンドトレーニング可能な局所構造PEであるLEAPを提案する。 グラフ表現学習パイプラインの強力なコンポーネントとして,LEAPを用いたエンコーディングの可能性について検討した。
• 参考スコア（独自算出の注目度）: 15.740515132423205
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural networks (GNNs) largely rely on the message-passing paradigm, where nodes iteratively aggregate information from their neighbors. Yet, standard message passing neural networks (MPNNs) face well-documented theoretical and practical limitations. Graph positional encoding (PE) has emerged as a promising direction to address these limitations. The Euler Characteristic Transform (ECT) is an efficiently computable geometric-topological invariant that characterizes shapes and graphs. In this work, we combine the differentiable approximation of the ECT (DECT) and its local variant ($\ell$-ECT) to propose LEAP, a new end-to-end trainable local structural PE for graphs. We evaluate our approach on multiple real-world datasets as well as on a synthetic task designed to test its ability to extract topological features. Our results underline the potential of LEAP-based encodings as a powerful component for graph representation learning pipelines.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、ノードが隣人からの情報を反復的に集約するメッセージパッシングパラダイムに大きく依存している。 しかし、標準的なメッセージパッシングニューラルネットワーク(MPNN)は、理論的および実践的な制限が十分に文書化されている。 グラフ位置符号化(PE)はこれらの制限に対処するための有望な方向として登場した。 オイラー特性変換(英: Euler Characteristics Transform、ECT)は、形状とグラフを特徴づける効率的な計算可能な幾何学的位相不変量である。 本研究では、ECT(DECT)とその局所変種($\ell$-ECT)の微分可能近似を組み合わせて、グラフのための新しいエンドツーエンドトレーニング可能な局所構造PEであるLEAPを提案する。 複数の実世界のデータセットと、そのトポロジ的特徴を抽出する能力をテストするために設計された合成タスクに対するアプローチを評価した。 グラフ表現学習パイプラインの強力なコンポーネントとして,LEAPを用いたエンコーディングの可能性について検討した。

関連論文リスト

• Efficient Environmental Claim Detection with Hyperbolic Graph Neural Networks [1.7259898169307608]
  我々は、トランスフォーマーベースモデルの軽量かつ効果的な代替手段として、グラフニューラルネットワーク(GNN)とハイパーボリックグラフニューラルネットワーク(HGNN)について検討する。 以上の結果から,我々のグラフベースモデル,特にポインカー空間(P-HGNN)におけるHGNNは,環境クレーム検出の最先端技術よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-02-19T11:04:59Z)
• Learning Efficient Positional Encodings with Graph Neural Networks [109.8653020407373]
  グラフのための学習可能なPEの新しいフレームワークであるPEARLを紹介する。 PEARL は線形複雑性を持つ固有ベクトルの同変関数を近似し、その安定性と高表現力を厳密に確立する。 解析の結果、PEARLは線形複雑度を持つ固有ベクトルの同変関数を近似し、その安定性と高表現能を厳密に確立することを示した。
  論文  参考訳（メタデータ） (2025-02-03T07:28:53Z)
• Diss-l-ECT: Dissecting Graph Data with Local Euler Characteristic Transforms [13.608942872770855]
  グラフ表現学習における表現性と解釈性を高めるために,局所オイラー特性変換(ell$-ECT)を導入する。 本手法は,ノード分類タスクにおける標準グラフニューラルネットワーク(GNN)と比較して,優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-03T16:02:02Z)
• Scalable Graph Compressed Convolutions [68.85227170390864]
  ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。 グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
  論文  参考訳（メタデータ） (2024-07-26T03:14:13Z)
• A new perspective on building efficient and expressive 3D equivariant graph neural networks [39.0445472718248]
  等変GNNの表現力を評価するための3次元同型階層を提案する。 我々の研究は、表現的かつ効率的な幾何学的GNNを設計するための2つの重要なモジュールに繋がる。 本理論の適用性を示すため,これらのモジュールを効果的に実装したLEFTNetを提案する。
  論文  参考訳（メタデータ） (2023-04-07T18:08:27Z)
• Graph Neural Networks with Learnable Structural and Positional Representations [83.24058411666483]
  任意のグラフの大きな問題は、ノードの標準位置情報の欠如である。 ノードの位置ノード(PE)を導入し、Transformerのように入力層に注入する。 両方のGNNクラスで学習可能なPEを考えると、分子データセットのパフォーマンスは2.87%から64.14%に向上する。
  論文  参考訳（メタデータ） (2021-10-15T05:59:15Z)
• Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2020-10-06T01:20:27Z)
• Building powerful and equivariant graph neural networks with structural message-passing [74.93169425144755]
  本稿では,2つのアイデアに基づいた,強力かつ同変なメッセージパッシングフレームワークを提案する。 まず、各ノードの周囲の局所的コンテキスト行列を学習するために、特徴に加えてノードの1ホット符号化を伝搬する。 次に,メッセージのパラメトリゼーション手法を提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:15:16Z)

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。