論文の概要: Bootstrap Learning for Combinatorial Graph Alignment with Sequential GNNs

• arxiv url: http://arxiv.org/abs/2510.03086v1
• Date: Fri, 03 Oct 2025 15:17:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.444476
• Title: Bootstrap Learning for Combinatorial Graph Alignment with Sequential GNNs
• Title（参考訳）: 逐次GNNを用いた組合せグラフアライメントのためのブートストラップ学習
• Authors: Marc Lelarge,
• Abstract要約: グラフニューラルネットワーク(GNN)は、ニューラルネットワークの従来の最適化手法よりも優れており、その実践的影響を制限している。 本稿では,構造情報のみを用いて,グラフアライメント問題に対する新しい連鎖手法を提案する。 提案手法は,従来のネットワークが生成した類似度行列を反復的に洗練することを学ぶ,一連のGNNを訓練する。 各GNNは、以前のイテレーションからノードアライメントの品質に関する個別のランキング情報を組み込むことで、部分的なソリューションを改善する。
• 参考スコア（独自算出の注目度）: 8.49454123392354
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph neural networks (GNNs) have struggled to outperform traditional optimization methods on combinatorial problems, limiting their practical impact. We address this gap by introducing a novel chaining procedure for the graph alignment problem, a fundamental NP-hard task of finding optimal node correspondences between unlabeled graphs using only structural information. Our method trains a sequence of GNNs where each network learns to iteratively refine similarity matrices produced by previous networks. During inference, this creates a bootstrap effect: each GNN improves upon partial solutions by incorporating discrete ranking information about node alignment quality from prior iterations. We combine this with a powerful architecture that operates on node pairs rather than individual nodes, capturing global structural patterns essential for alignment that standard message-passing networks cannot represent. Extensive experiments on synthetic benchmarks demonstrate substantial improvements: our chained GNNs achieve over 3x better accuracy than existing methods on challenging instances, and uniquely solve regular graphs where all competing approaches fail. When combined with traditional optimization as post-processing, our method substantially outperforms state-of-the-art solvers on the graph alignment benchmark.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、組合せ問題において従来の最適化手法を上回り、その実践的影響を制限するのに苦労している。 グラフアライメント問題(NP-hard task)は、構造情報のみを用いてラベル付きグラフ間の最適なノード対応を見つけるための基本的なNP-hardタスクである。 提案手法は,従来のネットワークが生成した類似度行列を反復的に洗練することを学ぶ,一連のGNNを訓練する。 各GNNは、以前のイテレーションからノードアライメントの品質に関する個別のランキング情報を組み込むことで、部分的なソリューションを改善する。 これは、個々のノードではなくノードペアで動作する強力なアーキテクチャと組み合わせて、標準的なメッセージパッシングネットワークでは表現できないアライメントに不可欠なグローバルな構造パターンをキャプチャします。 我々の連鎖したGNNは、挑戦するインスタンスの既存のメソッドよりも3倍の精度で達成し、競合するすべてのアプローチが失敗する正規グラフをユニークに解決します。 ポストプロセッシングとして従来の最適化と組み合わせることで、グラフアライメントベンチマークにおける最先端の解法よりも大幅に優れる。

関連論文リスト

• Graph Neural Networks Powered by Encoder Embedding for Improved Node Learning [17.31465642587528]
  グラフニューラルネットワーク(GNN)は、幅広いノードレベルのグラフ学習タスクのための強力なフレームワークとして登場した。 本稿では,1ホットグラフエンコーダ埋め込み (GEE) という統計的手法を用いて,高品質な初期ノード特徴を生成する。 本研究では,教師なし環境と教師なし環境の両方にまたがる広範囲なシミュレーションと実世界の実験を通して,その効果を実証する。
  論文  参考訳（メタデータ） (2025-07-15T21:01:54Z)
• Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
  グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。 最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。 データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-11T06:34:05Z)
• A GAN Approach for Node Embedding in Heterogeneous Graphs Using Subgraph Sampling [33.50085646298074]
  本稿では,グラフニューラルネットワーク (GNN) とGAN (Generative Adrial Network) を組み合わせた新しいフレームワークを提案する。 このフレームワークには高度なエッジ生成と選択モジュールが含まれており、合成ノードとエッジを同時に生成することができる。
  論文  参考訳（メタデータ） (2023-12-11T16:52:20Z)
• 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)
• GPN: A Joint Structural Learning Framework for Graph Neural Networks [36.38529113603987]
  グラフ構造と下流タスクを同時に学習するGNNベースの共同学習フレームワークを提案する。 本手法は,この課題を解決するためのGNNベースの二段階最適化フレームワークである。
  論文  参考訳（メタデータ） (2022-05-12T09:06:04Z)
• Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
  グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。 複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。 本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:03:06Z)

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。