論文の概要: ICEPool: Enhancing Graph Pooling Networks with Inter-cluster Connectivity

• arxiv url: http://arxiv.org/abs/2510.03987v1
• Date: Sun, 05 Oct 2025 01:13:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.372712
• Title: ICEPool: Enhancing Graph Pooling Networks with Inter-cluster Connectivity
• Title（参考訳）: ICEPool: クラスタ間接続性を備えたグラフポーリングネットワークの強化
• Authors: Michael Yang,
• Abstract要約: ICEPoolは、クラスタ間接続に対するモデルの理解を高めるために設計された、新しい階層的なプーリングフレームワークである。 既存のモデルの強化としてのICEPoolの展開は、オリジナルのモデルの強みを効果的に組み合わせている。 本研究では,ICEPoolのグラフ再構成能力に関する理論的解析を行い,クラスタ間関係の学習における効果を実証する。
• 参考スコア（独自算出の注目度）: 0.33842793760651557
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hierarchical Pooling Models have demonstrated strong performance in classifying graph-structured data. While numerous innovative methods have been proposed to design cluster assignments and coarsening strategies, the relationships between clusters are often overlooked. In this paper, we introduce Inter-cluster Connectivity Enhancement Pooling (ICEPool), a novel hierarchical pooling framework designed to enhance model's understanding of inter-cluster connectivity and ability of preserving the structural integrity in the original graph. ICEPool is compatible with a wide range of pooling-based GNN models. The deployment of ICEPool as an enhancement to existing models effectively combines the strengths of the original model with ICEPool's capability to emphasize the integration of inter-cluster connectivity, resulting in a more comprehensive and robust graph-level representation. Moreover, we make theoretical analysis to ICEPool's ability of graph reconstruction to demonstrate its effectiveness in learning inter-cluster relationship that is overlooked by conventional models. Finally, the experimental results show the compatibility of ICEPool with wide varieties of models and its potential to boost the performance of existing graph neural network architectures.
• Abstract（参考訳）: 階層型プーリングモデルは、グラフ構造化データの分類において強力な性能を示している。 クラスタ割り当てや粗大化戦略を設計するための多くの革新的な手法が提案されているが、クラスタ間の関係は見過ごされがちである。 本稿では,クラスタ間接続性向上プール(ICEPool)について紹介する。これは,クラスタ間接続性に対するモデルの理解と,元のグラフの構造的整合性を維持する能力を高めるために設計された,新しい階層型プールフレームワークである。 ICEPoolは幅広いプールベースのGNNモデルと互換性がある。 既存のモデルの強化としてのICEPoolのデプロイは、オリジナルのモデルの強みとICEPoolの機能とを効果的に組み合わせ、クラスタ間接続の統合を強調し、より包括的で堅牢なグラフレベルの表現をもたらす。 さらに,従来のモデルでは見過ごせないクラスタ間関係の学習において,ICEPoolのグラフ再構成能力について理論的解析を行った。 最後に,実験結果から,ICEPoolの多種多様なモデルとの互換性と,既存のグラフニューラルネットワークアーキテクチャの性能向上の可能性を示す。

関連論文リスト

• Rel-HNN: Split Parallel Hypergraph Neural Network for Learning on Relational Databases [3.6423651166048874]
  データベースのフラット化は、ディープラーニングモデルに課題をもたらす。 我々はrel-HNNと呼ばれる新しいハイパーグラフベースのフレームワークを提案する。 rel-HNNは,分類タスクと回帰タスクの両方において,既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-16T18:20:45Z)
• BN-Pool: a Bayesian Nonparametric Approach to Graph Pooling [6.952045528182883]
  グラフニューラルネットワーク(GNN)のための最初のクラスタリングに基づくプール手法BN-Poolを紹介する。 BN-Pool は粗いグラフ内のスーパーノードの数を適応的に決定する。 BN-Poolは多種多様なベンチマークにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2025-01-16T20:15:12Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• ENADPool: The Edge-Node Attention-based Differentiable Pooling for Graph Neural Networks [19.889547537748395]
  グラフニューラルネットワーク(GNN)は、グラフ分類のための強力なツールである。 GNNにとって重要な操作の1つは、ノード表現から効果的な埋め込みを学習できるダウンサンプリングまたはプールである。 We propose a new Hierarchical pooling operation、すなわち Edge-Node Attention-based Differentiable Pooling (ENADPool)を提案する。
  論文  参考訳（メタデータ） (2024-05-16T16:08:49Z)
• Higher-order Clustering and Pooling for Graph Neural Networks [77.47617360812023]
  グラフニューラルネットワークは、多数のグラフ分類タスクにおいて最先端のパフォーマンスを達成する。 HoscPoolはクラスタリングベースのグラフプーリング演算子で、階層的に高階情報をキャプチャする。 グラフ分類タスクにおいてHoscPoolを評価し,そのクラスタリングコンポーネントを地層構造を持つグラフ上で評価する。
  論文  参考訳（メタデータ） (2022-09-02T09:17:10Z)
• Structure-Aware Hierarchical Graph Pooling using Information Bottleneck [2.7088996845250897]
  グラフプーリングは、グラフ分類および回帰タスクにおけるグラフニューラルネットワーク(GNN)の重要な要素です。 本稿では,情報ボトルネック(IB)の原理を応用した,HIBPoolという新しいプール手法を提案する。 また,グラフの局所部分グラフ構造をキャプチャするために,新しい構造認識型識別プーリング読み出し(dip-readout)関数を導入する。
  論文  参考訳（メタデータ） (2021-04-27T07:27:43Z)
• CaEGCN: Cross-Attention Fusion based Enhanced Graph Convolutional Network for Clustering [51.62959830761789]
  クロスアテンションに基づくディープクラスタリングフレームワークCross-Attention Fusion based Enhanced Graph Convolutional Network (CaEGCN)を提案する。 CaEGCNには、クロスアテンション融合、Content Auto-Encoder、Graph Convolutional Auto-Encoder、および自己監視モデルという4つの主要なモジュールが含まれている。 異なるタイプのデータセットに対する実験結果は、提案したCaEGCNの優位性とロバスト性を証明する。
  論文  参考訳（メタデータ） (2021-01-18T05:21:59Z)
• Amortized Probabilistic Detection of Communities in Graphs [39.56798207634738]
  そこで我々は,アモータイズされたコミュニティ検出のためのシンプルなフレームワークを提案する。 我々はGNNの表現力と最近のアモータイズクラスタリングの手法を組み合わせる。 我々は、合成および実データセットに関するフレームワークから、いくつかのモデルを評価する。
  論文  参考訳（メタデータ） (2020-10-29T16:18:48Z)

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。