論文の概要: Spectral Neural Graph Sparsification

• arxiv url: http://arxiv.org/abs/2510.27474v1
• Date: Fri, 31 Oct 2025 13:51:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 17:52:16.115896
• Title: Spectral Neural Graph Sparsification
• Title（参考訳）: スペクトル型ニューラルグラフスカラー化
• Authors: Angelica Liguori, Ettore Ritacco, Pietro Sabatino, Annalisa Socievole,
• Abstract要約: グラフは、ソーシャルネットワーク、分子化学、神経科学などの領域における複雑なシステムモデリングの中心である。 本稿では,グラフ表現学習のための新しいフレームワークであるSpectral Preservation Networkを提案する。 我々は,ノードレベルのスペーサー化に対するスペクトル保存ネットワークの有効性を,確立されたメトリクスを分析し,最先端手法に対するベンチマークによって評価する。
• 参考スコア（独自算出の注目度）: 0.21932521132244476
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graphs are central to modeling complex systems in domains such as social networks, molecular chemistry, and neuroscience. While Graph Neural Networks, particularly Graph Convolutional Networks, have become standard tools for graph learning, they remain constrained by reliance on fixed structures and susceptibility to over-smoothing. We propose the Spectral Preservation Network, a new framework for graph representation learning that generates reduced graphs serving as faithful proxies of the original, enabling downstream tasks such as community detection, influence propagation, and information diffusion at a reduced computational cost. The Spectral Preservation Network introduces two key components: the Joint Graph Evolution layer and the Spectral Concordance loss. The former jointly transforms both the graph topology and the node feature matrix, allowing the structure and attributes to evolve adaptively across layers and overcoming the rigidity of static neighborhood aggregation. The latter regularizes these transformations by enforcing consistency in both the spectral properties of the graph and the feature vectors of the nodes. We evaluate the effectiveness of Spectral Preservation Network on node-level sparsification by analyzing well-established metrics and benchmarking against state-of-the-art methods. The experimental results demonstrate the superior performance and clear advantages of our approach.
• Abstract（参考訳）: グラフは、ソーシャルネットワーク、分子化学、神経科学などの領域における複雑なシステムモデリングの中心である。 グラフニューラルネットワーク、特にグラフ畳み込みニューラルネットワークは、グラフ学習の標準ツールとなっているが、固定構造への依存と過度なスムース化への感受性に制約されている。 本稿では,原文の忠実なプロキシとしてグラフを生成するグラフ表現学習のための新しいフレームワークであるSpectral Preservation Networkを提案する。 Spectral Preservation Networkは、Joint Graph EvolutionレイヤとSpectral Concordance Losという2つの重要なコンポーネントを導入している。 前者はグラフトポロジーとノード特徴行列の両方を共同で変換し、構造と属性は層間で適応的に進化し、静的近傍の凝集の剛性を克服する。 後者はこれらの変換を、グラフのスペクトル特性とノードの特徴ベクトルの両方の整合性によって正則化する。 我々は,ノードレベルのスペーサー化に対するスペクトル保存ネットワークの有効性を,確立されたメトリクスを分析し,最先端手法に対するベンチマークによって評価する。 実験の結果,提案手法の優れた性能と明確な利点が示された。

関連論文リスト

• Mitigating Over-Squashing in Graph Neural Networks by Spectrum-Preserving Sparsification [81.06278257153835]
  本稿では,構造的ボトルネック低減とグラフ特性保存のバランスをとるグラフ再構成手法を提案する。 本手法は、疎性を維持しながら接続性を高めたグラフを生成し、元のグラフスペクトルを大半保存する。
  論文  参考訳（メタデータ） (2025-06-19T08:01:00Z)
• Unitary convolutions for learning on graphs and groups [0.9899763598214121]
  我々は、訓練中により安定したより深いネットワークを可能にするユニタリグループ畳み込みについて研究する。 論文の主な焦点はグラフニューラルネットワークであり、ユニタリグラフの畳み込みがオーバー・スムーシングを確実に回避していることを示す。 実験結果から,ベンチマークデータセット上でのユニタリグラフ畳み込みネットワークの競合性能が確認できた。
  論文  参考訳（メタデータ） (2024-10-07T21:09:14Z)
• 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)
• Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph Wavelets [81.63035727821145]
  スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。 本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-03T17:57:53Z)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• Spectral Embedding of Graph Networks [76.27138343125985]
  ローカルノードの類似性と接続性、グローバル構造をトレードオフする教師なしグラフ埋め込みを導入する。 埋め込みは一般化されたグラフ Laplacian に基づいており、固有ベクトルは1つの表現においてネットワーク構造と近傍近傍の両方をコンパクトにキャプチャする。
  論文  参考訳（メタデータ） (2020-09-30T04:59:10Z)

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。