論文の概要: An Active Diffusion Neural Network for Graphs

• arxiv url: http://arxiv.org/abs/2510.19202v1
• Date: Wed, 22 Oct 2025 03:23:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:15.021683
• Title: An Active Diffusion Neural Network for Graphs
• Title（参考訳）: グラフのためのアクティブ拡散ニューラルネットワーク
• Authors: Mengying Jiang,
• Abstract要約: 能動拡散に基づくグラフニューラルネットワーク(ADGNN)を提案する。 ADGNNは、拡散過程に動的に影響を与える複数の外部情報ソースを統合することにより、アクティブな拡散を実現する。 我々はADGNNを、様々なグラフタスクにわたる最先端のGNNモデルに対して評価する。
• 参考スコア（独自算出の注目度）: 0.89824415106396
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The analogy to heat diffusion has enhanced our understanding of information flow in graphs and inspired the development of Graph Neural Networks (GNNs). However, most diffusion-based GNNs emulate passive heat diffusion, which still suffers from over-smoothing and limits their ability to capture global graph information. Inspired by the heat death of the universe, which posits that energy distribution becomes uniform over time in a closed system, we recognize that, without external input, node representations in a graph converge to identical feature vectors as diffusion progresses. To address this issue, we propose the Active Diffusion-based Graph Neural Network (ADGNN). ADGNN achieves active diffusion by integrating multiple external information sources that dynamically influence the diffusion process, effectively overcoming the over-smoothing problem. Furthermore, our approach realizes true infinite diffusion by directly calculating the closed-form solution of the active diffusion iterative formula. This allows nodes to preserve their unique characteristics while efficiently gaining comprehensive insights into the graph's global structure. We evaluate ADGNN against several state-of-the-art GNN models across various graph tasks. The results demonstrate that ADGNN significantly improves both accuracy and efficiency, highlighting its effectiveness in capturing global graph information and maintaining node distinctiveness.
• Abstract（参考訳）: 熱拡散の類似性は、グラフにおける情報フローの理解を高め、グラフニューラルネットワーク(GNN)の開発に影響を与えた。 しかし、拡散に基づくほとんどのGNNは受動的熱拡散をエミュレートしており、これはいまだに過度な平滑化に悩まされており、グローバルグラフ情報をキャプチャする能力を制限する。 閉系においてエネルギー分布が時間とともに一様になることを仮定する宇宙の熱死に刺激されて、グラフ内のノード表現が外部入力なしでは、拡散が進行するにつれて同じ特徴ベクトルに収束することを認識する。 この問題に対処するために,能動拡散に基づくグラフニューラルネットワーク(ADGNN)を提案する。 ADGNNは、拡散過程に動的に影響を及ぼす複数の外部情報ソースを統合することにより、アクティブな拡散を実現し、オーバー・スムーシング問題を効果的に克服する。 さらに,本手法は能動拡散反復方程式の閉形式解を直接計算することで真の無限拡散を実現する。 これによりノードは、グラフのグローバル構造に関する包括的な洞察を効率的に獲得しながら、そのユニークな特性を維持できる。 我々はADGNNを、様々なグラフタスクにわたる最先端のGNNモデルに対して評価する。 その結果,ADGNNは精度と効率を両立させ,グローバルグラフ情報の取得とノードの特異性維持に有効性を強調した。

関連論文リスト

• Exploring Molecule Generation Using Latent Space Graph Diffusion [0.0]
  分子グラフの生成は、その離散的な性質と競合する目的のために難しい課題である。 分子グラフの場合、拡散バックボーンとしてのグラフニューラルネットワーク(GNN)は印象的な結果を得た。 自己エンコーダを介して低次元空間に拡散する潜在空間拡散は計算効率を実証している。
  論文  参考訳（メタデータ） (2025-01-07T10:54:44Z)
• Transformers from Diffusion: A Unified Framework for Neural Message Passing [79.9193447649011]
  メッセージパッシングニューラルネットワーク(MPNN)は、デファクトクラスのモデルソリューションとなっている。 本稿では,拡散の誘導バイアスとエネルギーの層的制約を統合するエネルギー制約拡散モデルを提案する。 これらの知見に基づいて、我々はTransformer (DIFFormer)と呼ばれる新しいタイプのメッセージパッシングモデルを考案した。
  論文  参考訳（メタデータ） (2024-09-13T17:54:41Z)
• Advancing Graph Generation through Beta Diffusion [49.49740940068255]
  Graph Beta Diffusion (GBD)は、グラフデータの多様な性質を扱うために特別に設計された生成モデルである。 本稿では, 臨界グラフトポロジを安定化させることにより, 生成グラフの現実性を高める変調手法を提案する。
  論文  参考訳（メタデータ） (2024-06-13T17:42:57Z)
• Graph Neural Aggregation-diffusion with Metastability [4.040326569845733]
  微分方程式に基づく連続グラフニューラルモデルはグラフニューラルネット(GNN)のアーキテクチャを拡張した 相互作用ポテンシャルによって誘導される非線形拡散と凝集の微妙なバランスを含むグラフ凝集拡散方程式に着想を得たGRADEを提案する。 我々はGRADEが様々なベンチマークで競合性能を達成し、GNNにおける過度にスムースな問題を軽減することを証明した。
  論文  参考訳（メタデータ） (2024-03-29T15:05:57Z)
• Supercharging Graph Transformers with Advective Diffusion [28.40109111316014]
  本稿では,この課題に対処するために,物理に着想を得たグラフトランスモデルであるAdvDIFFormerを提案する。 本稿では,AdvDIFFormerが位相シフトによる一般化誤差を制御できることを示す。 経験的に、このモデルは情報ネットワーク、分子スクリーニング、タンパク質相互作用の様々な予測タスクにおいて優位性を示す。
  論文  参考訳（メタデータ） (2023-10-10T08:40:47Z)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• Graph Neural Diffusion Networks for Semi-supervised Learning [5.836987579515698]
  Graph Convolutional Networks (GCN)は、グラフに基づく半教師付き学習のパイオニアモデルである。 本稿では,局所的およびグローバルな近隣情報を利用したニューラルネット(グラフニューラルディフュージョンネットワーク)と呼ばれる新しいグラフニューラルネットワークを提案する。 ニューラルネットワークの採用により、ニューラルネットワークの拡散は異なるデータセットに適応できる。
  論文  参考訳（メタデータ） (2022-01-24T14:07:56Z)
• Uniting Heterogeneity, Inductiveness, and Efficiency for Graph Representation Learning [68.97378785686723]
  グラフニューラルネットワーク(GNN)は,グラフ上のノード表現学習の性能を大幅に向上させた。 GNNの過半数クラスは均質グラフのためにのみ設計されており、より有益な異種グラフに劣る適応性をもたらす。 本稿では,低次ノードと高次ノードの両方のエッジに付随するヘテロジニアスなノード特徴をパッケージ化する,新しい帰納的メタパスフリーメッセージパッシング方式を提案する。
  論文  参考訳（メタデータ） (2021-04-04T23:31:39Z)

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。