論文の概要: Rethinking Graph Super-resolution: Dual Frameworks for Topological Fidelity
- arxiv url: http://arxiv.org/abs/2511.08853v1
- Date: Thu, 13 Nov 2025 01:12:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-13 22:34:54.257371
- Title: Rethinking Graph Super-resolution: Dual Frameworks for Topological Fidelity
- Title（参考訳）: グラフ超解像を再考する - トポロジカル忠実度のためのデュアルフレームワーク
- Authors: Pragya Singh, Islem Rekik,
- Abstract要約: LRノードとHRノードを接続する二部グラフは、構造認識ノードの超解像を可能にする。
DEFENDは、HRエッジをデュアルグラフのノードにマッピングすることでエッジ表現を学習し、標準ノードベースGNNによるエッジ推論を可能にする。
- 参考スコア（独自算出の注目度）: 7.62013761499722
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph super-resolution, the task of inferring high-resolution (HR) graphs from low-resolution (LR) counterparts, is an underexplored yet crucial research direction that circumvents the need for costly data acquisition. This makes it especially desirable for resource-constrained fields such as the medical domain. While recent GNN-based approaches show promise, they suffer from two key limitations: (1) matrix-based node super-resolution that disregards graph structure and lacks permutation invariance; and (2) reliance on node representations to infer edge weights, which limits scalability and expressivity. In this work, we propose two GNN-agnostic frameworks to address these issues. First, Bi-SR introduces a bipartite graph connecting LR and HR nodes to enable structure-aware node super-resolution that preserves topology and permutation invariance. Second, DEFEND learns edge representations by mapping HR edges to nodes of a dual graph, allowing edge inference via standard node-based GNNs. We evaluate both frameworks on a real-world brain connectome dataset, where they achieve state-of-the-art performance across seven topological measures. To support generalization, we introduce twelve new simulated datasets that capture diverse topologies and LR-HR relationships. These enable comprehensive benchmarking of graph super-resolution methods.
- Abstract（参考訳）: 高分解能(HR)グラフを低分解能(LR)グラフから推定するタスクであるグラフ超解像は、高コストなデータ取得の必要性を回避するために、未調査だが重要な研究方向である。
これにより、医療領域のような資源に制約のある分野に特に好まれる。
最近のGNNベースのアプローチは有望であるが、(1)グラフ構造を無視し、置換不変性に欠ける行列ベースのノード超解像、(2)拡張性と表現性を制限したエッジウェイトを推定するノード表現に依存している。
本稿では,これらの問題に対処する2つのGNN非依存フレームワークを提案する。
まず、Bi-SRはLRノードとHRノードを接続する二部グラフを導入し、トポロジーと置換不変性を保存する構造対応ノード超解像を実現する。
次に、DEFENDはHRエッジをデュアルグラフのノードにマッピングすることでエッジ表現を学習し、標準ノードベースGNNによるエッジ推論を可能にする。
両フレームワークを実世界の脳コネクトームデータセット上で評価し、7つのトポロジカル測度で最先端のパフォーマンスを達成する。
一般化を支援するために,多種多様なトポロジとLR-HR関係をキャプチャする12種類の新しいシミュレーションデータセットを導入する。
これらはグラフ超解像法の包括的なベンチマークを可能にする。
関連論文リスト
- Graph as a feature: improving node classification with non-neural graph-aware logistic regression [2.952177779219163]
Graph-aware Logistic Regression (GLR) はノード分類タスク用に設計された非神経モデルである。
GNNにアクセスできる情報のごく一部しか使わない従来のグラフアルゴリズムとは異なり、提案モデルではノードの特徴とエンティティ間の関係を同時に活用する。
論文 参考訳（メタデータ） (2024-11-19T08:32:14Z) - Strongly Topology-preserving GNNs for Brain Graph Super-resolution [5.563171090433323]
脳グラフ超解像(英: Brain graph super- resolution, SR)は、ネットワーク神経科学において研究されていないが、非常に関連性の高い課題である。
現在のSR手法では、グラフ構造化データセットを処理できるため、グラフニューラルネットワーク(GNN)を活用している。
我々は、低分解能(LR)脳グラフのエッジ空間から高分解能(HR)双対グラフのノード空間への効率的なマッピングを開発する。
論文 参考訳（メタデータ） (2024-11-01T03:29:04Z) - Spectral Greedy Coresets for Graph Neural Networks [61.24300262316091]
ノード分類タスクにおける大規模グラフの利用は、グラフニューラルネットワーク(GNN)の現実的な応用を妨げる
本稿では,GNNのグラフコアセットについて検討し,スペクトル埋め込みに基づくエゴグラフの選択により相互依存の問題を回避する。
我々のスペクトルグレディグラフコアセット(SGGC)は、数百万のノードを持つグラフにスケールし、モデル事前学習の必要性を排除し、低ホモフィリーグラフに適用する。
論文 参考訳（メタデータ） (2024-05-27T17:52:12Z) - BOURNE: Bootstrapped Self-supervised Learning Framework for Unified
Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。
ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。
BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文 参考訳（メタデータ） (2023-07-28T00:44:57Z) - Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural
Networks [52.566735716983956]
本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。
LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。
提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
論文 参考訳（メタデータ） (2022-07-18T14:23:31Z) - Geometric Graph Representation Learning via Maximizing Rate Reduction [73.6044873825311]
学習ノード表現は、コミュニティ検出やノード分類などのグラフ解析において、さまざまな下流タスクの恩恵を受ける。
教師なしの方法でノード表現を学習するための幾何学グラフ表現学習(G2R)を提案する。
G2R は異なるグループ内のノードを異なる部分空間にマッピングし、各部分空間はコンパクトで異なる部分空間が分散される。
論文 参考訳（メタデータ） (2022-02-13T07:46:24Z) - Reasoning Graph Networks for Kinship Verification: from Star-shaped to
Hierarchical [85.0376670244522]
階層型推論グラフネットワークの学習による顔の親和性検証の問題点について検討する。
より強力で柔軟なキャパシティを利用するために,星型推論グラフネットワーク(S-RGN)を開発した。
また、より強力で柔軟なキャパシティを利用する階層型推論グラフネットワーク(H-RGN)も開発しています。
論文 参考訳（メタデータ） (2021-09-06T03:16:56Z) - SLGCN: Structure Learning Graph Convolutional Networks for Graphs under
Heterophily [5.619890178124606]
本稿では2つの側面から問題を緩和する構造学習グラフ畳み込みネットワーク(SLGCN)を提案する。
具体的には、全ての類似ノードから特徴表現を効率的に集約するために、アンカーを用いた効率的なスペクトルクラスタリング(ESC-ANCH)を設計する。
幅広いベンチマークデータセットの実験結果は、提案されたSLGCNが、最先端のGNNよりも優れていることを示している。
論文 参考訳（メタデータ） (2021-05-28T13:00:38Z) - Brain Graph Super-Resolution Using Adversarial Graph Neural Network with
Application to Functional Brain Connectivity [0.0]
ハイレゾリューション(HR)脳グラフの自動生成を試みる,世界初のディープグラフスーパーレゾリューション(GSR)フレームワークを提案する。
提案されたAGSR-Netフレームワークは、低解像度から高分解能機能脳グラフを予測するための変種を上回った。
論文 参考訳（メタデータ） (2021-05-02T09:09:56Z) - GSR-Net: Graph Super-Resolution Network for Predicting High-Resolution
from Low-Resolution Functional Brain Connectomes [0.0]
低分解能グラフから高分解能脳グラフを生成するグラフ構造化データを操作する最初の超解像フレームワークであるGSR-Netを紹介する。
まず、非ユークリッドデータに特有のグラフ畳み込み、プーリング、アンプール操作に基づくU-Netのようなアーキテクチャを採用する。
第2に、スペクトル理論から着想を得たU-Netアーキテクチャの対称性を、HRグラフを予測するために、グラフ超解像層と2つのグラフ畳み込みネットワーク層でトッピングすることで破壊する。
論文 参考訳（メタデータ） (2020-09-23T12:02:55Z) - Distance Encoding: Design Provably More Powerful Neural Networks for
Graph Representation Learning [63.97983530843762]
グラフニューラルネットワーク(GNN)はグラフ表現学習において大きな成功を収めている。
GNNは、実際には非常に異なるグラフ部分構造に対して同一の表現を生成する。
より強力なGNNは、最近高階試験を模倣して提案され、基礎となるグラフ構造を疎結合にできないため、非効率である。
本稿では,グラフ表現学習の新たなクラスとして距離分解(DE)を提案する。
論文 参考訳（メタデータ） (2020-08-31T23:15:40Z)
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。