論文の概要: Heterogeneous Attributed Graph Learning via Neighborhood-Aware Star Kernels

• arxiv url: http://arxiv.org/abs/2511.11245v1
• Date: Fri, 14 Nov 2025 12:45:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-17 22:42:18.599292
• Title: Heterogeneous Attributed Graph Learning via Neighborhood-Aware Star Kernels
• Title（参考訳）: 近隣のスターカーネルによる不均一分布グラフ学習
• Authors: Hong Huang, Chengyu Yao, Haiming Chen, Hang Gao,
• Abstract要約: Neighborhood-Aware Star Kernel (NASK)は、属性グラフ学習用に設計された新しいグラフカーネルである。 NASKは肯定的であり、グラフニューラルネットワークのようなカーネルベースの学習フレームワークとの互換性を保証する。
• 参考スコア（独自算出の注目度）: 9.639624729255514
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Attributed graphs, typically characterized by irregular topologies and a mix of numerical and categorical attributes, are ubiquitous in diverse domains such as social networks, bioinformatics, and cheminformatics. While graph kernels provide a principled framework for measuring graph similarity, existing kernel methods often struggle to simultaneously capture heterogeneous attribute semantics and neighborhood information in attributed graphs. In this work, we propose the Neighborhood-Aware Star Kernel (NASK), a novel graph kernel designed for attributed graph learning. NASK leverages an exponential transformation of the Gower similarity coefficient to jointly model numerical and categorical features efficiently, and employs star substructures enhanced by Weisfeiler-Lehman iterations to integrate multi-scale neighborhood structural information. We theoretically prove that NASK is positive definite, ensuring compatibility with kernel-based learning frameworks such as SVMs. Extensive experiments are conducted on eleven attributed and four large-scale real-world graph benchmarks. The results demonstrate that NASK consistently achieves superior performance over sixteen state-of-the-art baselines, including nine graph kernels and seven Graph Neural Networks.
• Abstract（参考訳）: 分布グラフは、典型的には不規則なトポロジと数値的属性と分類学的属性の混合によって特徴づけられるが、ソーシャルネットワーク、バイオインフォマティクス、化学情報学などの様々な領域に広く分布する。 グラフカーネルはグラフ類似性を測定するための原則化されたフレームワークを提供するが、既存のカーネルメソッドは、属性付きグラフにおいて異質な属性セマンティクスと近傍情報を同時に取得するのに苦労することが多い。 本研究では,属性付きグラフ学習用に設計された新しいグラフカーネルであるNeighborhood-Aware Star Kernel (NASK)を提案する。 NASKは、ゴワー類似係数の指数変換を利用して、数値的およびカテゴリー的特徴を効率的にモデル化し、Weisfeiler-Lehman反復によって強化された星サブ構造を用いて、マルチスケールの近傍構造情報を統合している。 理論的にはNASKは正定値であり、SVMのようなカーネルベースの学習フレームワークとの互換性を保証する。 11の属性と4つの大規模実世界のグラフベンチマークで大規模な実験が行われた。 その結果、NASKは、9つのグラフカーネルと7つのグラフニューラルネットワークを含む16の最先端ベースラインに対して、一貫して優れた性能を実現していることが示された。

関連論文リスト

• Metric Graph Kernels via the Tropical Torelli Map [0.0]
  本稿では,熱帯代数幾何学を用いた計量グラフの研究を基礎とした新しいグラフカーネルを提案する。 我々のグラフカーネルは、基礎となる計量空間の幾何学と位相に基づいている。 経験的に、カーネルはラベルのない設定で既存のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2025-05-17T20:00:50Z)
• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• Exploring Consistency in Graph Representations:from Graph Kernels to Graph Neural Networks [4.235378870514331]
  グラフネットワーク(GNN)は、グラフ表現学習において支配的なアプローチとして現れている。 ニューラルネットワーク手法とカーネルアプローチのギャップを橋渡しし、GNNが学習した表現の構造を一貫してキャプチャできるようにすることで、そのギャップを埋める。 これらの知見に触発されて、GNN層間のグラフ表現の類似性の整合性は、関係構造を捕捉し、グラフ分類性能を向上させる上で重要であると推測した。
  論文  参考訳（メタデータ） (2024-10-31T09:07:08Z)
• 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)
• Kernel-based Joint Multiple Graph Learning and Clustering of Graph Signals [2.4305626489408465]
  本稿では, Kernel-based Joint Multiple GL and clustering of graph signal applicationを紹介する。 実験により、KMGLは、特に高騒音レベルのシナリオにおいて、GLクラスタリングの堅牢性を大幅に向上することが示された。 これらの知見は,様々な実世界のアプリケーションにおいて,グラフ信号処理法の性能向上のためのKMGLの可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2023-10-29T13:41:12Z)
• Federated Graph Classification over Non-IID Graphs [16.356867336591353]
  フェデレートラーニングは、異なるドメインで機械学習モデルをトレーニングするための重要なパラダイムとして登場した。 グラフニューラルネットワーク(GNN)の勾配に基づいて局所システムのクラスタを動的に見つけるグラフクラスタリングフェデレーション学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-25T04:25:29Z)
• Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
  グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。 標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。 総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-08T19:48:19Z)
• Graph Neural Networks with Composite Kernels [60.81504431653264]
  カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
  論文  参考訳（メタデータ） (2020-05-16T04:44:29Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)
• Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
  グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく 我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
  論文  参考訳（メタデータ） (2020-02-20T09:53:28Z)

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。