Fugu-MT 論文翻訳(概要): Deep Learning on Real-World Graphs

論文の概要: Deep Learning on Real-World Graphs

arxiv url: http://arxiv.org/abs/2510.21994v1
Date: Fri, 24 Oct 2025 19:58:13 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-28 19:54:32.485044
Title: Deep Learning on Real-World Graphs
Title（参考訳）: 実世界のグラフの深層学習
Authors: Emanuele Rossi,
Abstract要約: この論文では、グラフニューラルネットワーク(GNN)の限界に対処する一連のモデルを紹介している。このコントリビューションは、学術ベンチマークと産業規模のグラフのギャップを埋め、ソーシャルやレコメンデーションシステムのようなドメインでGNNを使用することを可能にします。
参考スコア（独自算出の注目度）: 3.2658295979028753
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Graph Neural Networks (GNNs) have become a central tool for learning on graph-structured data, yet their applicability to real-world systems remains limited by key challenges such as scalability, temporality, directionality, data incompleteness, and structural uncertainty. This thesis introduces a series of models addressing these limitations: SIGN for scalable graph learning, TGN for temporal graphs, Dir-GNN for directed and heterophilic networks, Feature Propagation (FP) for learning with missing node features, and NuGget for game-theoretic structural inference. Together, these contributions bridge the gap between academic benchmarks and industrial-scale graphs, enabling the use of GNNs in domains such as social and recommender systems.
Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、グラフ構造化データを学ぶための中心的なツールとなっているが、スケーラビリティ、時間性、方向性、データ不完全性、構造的不確実性といった重要な課題によって、現実のシステムへの適用性は制限されている。スケーラブルグラフ学習のためのSIGN、テンポラルグラフのためのTGN、有向および異種ネットワークのためのDir-GNN、ノード特徴の欠如による学習のためのFeature Propagation (FP)、ゲーム理論の構造推論のためのNuGgetである。これらの貢献により、学術ベンチマークと産業規模のグラフのギャップが埋められ、社会やレコメンデーションシステムなどの領域でGNNが利用できるようになる。

関連論文リスト

GSAT: Graph Structure Attention Networks [6.546071689641213]
グラフニューラルネットワーク(GNN)は、グラフ構造で表されるデータを処理する強力なツールとして登場した。ノード近傍でリッチな局所位相情報を符号化する各ノードの構造表現は、しばしばモデリングで見過ごされる重要なタイプの特徴である。本稿では、匿名ランダムウォーク(ARW)によってモデル化されたこれらの構造情報を活用し、グラフ構造注意ネットワーク(GSAT)を導入して、元の属性と構造表現を統合する。
論文参考訳（メタデータ） (2025-05-27T14:54:08Z)
Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して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） (2024-09-26T16:22:08Z)
MDS-GNN: A Mutual Dual-Stream Graph Neural Network on Graphs with Incomplete Features and Structure [8.00268216176428]
グラフニューラルネットワーク(GNN)は、グラフ構造化データから表現を分析し学習するための強力なツールとして登場した。 GNNの卓越した性能にとって重要な前提条件は、完全なグラフ情報の提供である。本研究では,特徴と構造間の相互利益学習を実装した相互二重ストリームグラフニューラルネットワーク(MDS-GNN)を提案する。
論文参考訳（メタデータ） (2024-08-09T03:42:56Z)
DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
論文参考訳（メタデータ） (2024-01-28T06:43:13Z)
LasTGL: An Industrial Framework for Large-Scale Temporal Graph Learning [61.4707298969173]
本稿では,共通時間グラフ学習アルゴリズムの統一的および統一的な実装を統合する産業用フレームワークであるLasTGLを紹介する。 LasTGLは、詳細なチュートリアルとともに、包括的な時間グラフデータセット、TGNNモデル、ユーティリティを提供する。
論文参考訳（メタデータ） (2023-11-28T08:45:37Z)
DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
論文参考訳（メタデータ） (2023-05-22T10:29:52Z)
Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
論文参考訳（メタデータ） (2022-01-17T11:57:29Z)
Analyzing the Performance of Graph Neural Networks with Pipe Parallelism [2.269587850533721]
ノードやエッジの分類やリンクの予測といったタスクで大きな成功を収めたグラフニューラルネットワーク(GNN)に注目した。グラフ技術の進歩には,大規模ネットワーク処理のための新たなアプローチが必要である。私たちは、ディープラーニングコミュニティで成功したと知られている既存のツールとフレームワークを使用して、GNNを並列化する方法を研究します。
論文参考訳（メタデータ） (2020-12-20T04:20:38Z)
Hierarchical Message-Passing Graph Neural Networks [12.207978823927386]
本稿では,新しい階層型メッセージパッシンググラフニューラルネットワークフレームワークを提案する。鍵となるアイデアは、フラットグラフ内のすべてのノードをマルチレベルなスーパーグラフに再編成する階層構造を生成することである。階層型コミュニティ対応グラフニューラルネットワーク(HC-GNN)と呼ばれる,このフレームワークを実装した最初のモデルを提案する。
論文参考訳（メタデータ） (2020-09-08T13:11:07Z)

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。