論文の概要: Charting the Design Space of Neural Graph Representations for Subgraph Matching

• arxiv url: http://arxiv.org/abs/2510.22897v1
• Date: Mon, 27 Oct 2025 00:58:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 19:54:32.575615
• Title: Charting the Design Space of Neural Graph Representations for Subgraph Matching
• Title（参考訳）: 部分グラフマッチングのためのニューラルグラフ表現の設計空間のチャート化
• Authors: Vaibhav Raj, Indradyumna Roy, Ashwin Ramachandran, Soumen Chakrabarti, Abir De,
• Abstract要約: サブグラフマッチングは知識グラフ(KG)質問応答、分子設計、シーングラフ、コード、サーキットサーチにおいて不可欠である。 現在の手法では、この領域ではいくつかの孤立したパッチしか占めておらず、ほとんどチャージされていない。 本研究は,神経グラフ表現と相互作用の一般的な設計原則を明らかにする。
• 参考スコア（独自算出の注目度）: 35.00429536196939
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Subgraph matching is vital in knowledge graph (KG) question answering, molecule design, scene graph, code and circuit search, etc. Neural methods have shown promising results for subgraph matching. Our study of recent systems suggests refactoring them into a unified design space for graph matching networks. Existing methods occupy only a few isolated patches in this space, which remains largely uncharted. We undertake the first comprehensive exploration of this space, featuring such axes as attention-based vs. soft permutation-based interaction between query and corpus graphs, aligning nodes vs. edges, and the form of the final scoring network that integrates neural representations of the graphs. Our extensive experiments reveal that judicious and hitherto-unexplored combinations of choices in this space lead to large performance benefits. Beyond better performance, our study uncovers valuable insights and establishes general design principles for neural graph representation and interaction, which may be of wider interest.
• Abstract（参考訳）: サブグラフマッチングは知識グラフ(KG)質問応答、分子設計、シーングラフ、コードとサーキットサーチなどにおいて不可欠である。 ニューラルネットワークはサブグラフマッチングに有望な結果を示した。 近年の研究では、それらをグラフマッチングネットワークのための統一設計空間にリファクタリングすることを提案している。 既存の手法では、この領域ではいくつかの孤立したパッチしか占めておらず、ほとんどチャージされていない。 我々は、この空間を初めて包括的に探索し、クエリグラフとコーパスグラフ間の注意ベースの相互作用とソフトな置換に基づく相互作用、ノード対エッジの整合、グラフの神経表現を統合する最終的なスコアリングネットワークの形式などを特徴とする。 我々の広範な実験により、この領域における選択の偏見と非探索的な組み合わせが、大きなパフォーマンス上のメリットをもたらすことが判明した。 優れたパフォーマンスに加えて、我々の研究は貴重な洞察を明らかにし、神経グラフ表現と相互作用のための一般的な設計原則を確立します。

関連論文リスト

• Feature Expansion for Graph Neural Networks [26.671557021142572]
  グラフニューラルネットワークを決定された特徴空間とトレーニング可能な重みに分解する。 理論的には、特徴空間は繰り返しの集合によって線形に相関する傾向がある。 これらの知見により,1)特徴部分空間の平坦化,2)特徴空間の拡張のための構造主成分を提案する。
  論文  参考訳（メタデータ） (2023-05-10T13:45:57Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Rethinking Explaining Graph Neural Networks via Non-parametric Subgraph Matching [68.35685422301613]
  そこで我々はMatchExplainerと呼ばれる新しい非パラメトリックな部分グラフマッチングフレームワークを提案し、説明的部分グラフを探索する。 ターゲットグラフと他のインスタンスを結合し、ノードに対応する距離を最小化することで最も重要な結合部分構造を識別する。 合成および実世界のデータセットの実験は、最先端のパラメトリックベースラインをかなりのマージンで上回り、MatchExplainerの有効性を示す。
  論文  参考訳（メタデータ） (2023-01-07T05:14:45Z)
• Interactive Visual Pattern Search on Graph Data via Graph Representation Learning [20.795511688640296]
  視覚分析システムGraphQは、ループ内、サンプルベース、サブグラフパターン検索をサポートする。 高速で対話的なクエリをサポートするために、グラフニューラルネットワーク(GNN)を使用して、グラフを固定長潜在ベクトル表現としてエンコードする。 また,NuroAlignと呼ばれるノードアライメントのための新しいGNNを提案し,クエリ結果の検証と解釈を容易にする。
  論文  参考訳（メタデータ） (2022-02-18T22:30:28Z)
• A Self-supervised Mixed-curvature Graph Neural Network [76.3790248465522]
  自己教師型混合曲率グラフニューラルネットワーク(SelfMGNN)を提案する。 我々は、SelfMGNNが現実の複雑なグラフ構造をキャプチャし、最先端のベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2021-12-10T08:56:55Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• Which way? Direction-Aware Attributed Graph Embedding [2.429993132301275]
  グラフ埋め込みアルゴリズムは連続ベクトル空間内のグラフを効率的に表現するために用いられる。 しばしば見落とされがちな側面の1つは、グラフが向き付けられたかどうかである。 本研究は,DIAGRAMという,テキストに富んだ方向認識アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-01-30T13:08:19Z)

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。