論文の概要: Rethinking Message Passing Neural Networks with Diffusion Distance-guided Stress Majorization
- arxiv url: http://arxiv.org/abs/2511.19984v1
- Date: Tue, 25 Nov 2025 06:52:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-26 17:37:04.312648
- Title: Rethinking Message Passing Neural Networks with Diffusion Distance-guided Stress Majorization
- Title（参考訳）: 拡散距離誘導ストレスメジャー化によるメッセージパッシングニューラルネットワークの再考
- Authors: Haoran Zheng, Renchi Yang, Yubo Zhou, Jianliang Xu,
- Abstract要約: メッセージパッシングニューラルネットワーク(MPNN)は、グラフ構造化データから学習するゴートモデルとして登場した。
MPNNはいまだに過度なスムースや相関などの深刻な問題を引き起こしている。
本稿では,ストレスの局所化と正規化を含む最適化フレームワーク上に構築された新しいMPNNモデルを提案する。
- 参考スコア（独自算出の注目度）: 22.36875245255393
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Message passing neural networks (MPNNs) have emerged as go-to models for learning on graph-structured data in the past decade. Despite their effectiveness, most of such models still incur severe issues such as over-smoothing and -correlation, due to their underlying objective of minimizing the Dirichlet energy and the derived neighborhood aggregation operations. In this paper, we propose the DDSM, a new MPNN model built on an optimization framework that includes the stress majorization and orthogonal regularization for overcoming the above issues. Further, we introduce the diffusion distances for nodes into the framework to guide the new message passing operations and develop efficient algorithms for distance approximations, both backed by rigorous theoretical analyses. Our comprehensive experiments showcase that DDSM consistently and considerably outperforms 15 strong baselines on both homophilic and heterophilic graphs.
- Abstract（参考訳）: メッセージパッシングニューラルネットワーク(MPNN)は、過去10年間にグラフ構造化データ学習のためのゴートモデルとして登場した。
それらの効果にもかかわらず、これらのモデルの多くは、ディリクレエネルギーの最小化と、派生した近隣の集約操作のために、過度な平滑化や相関のような深刻な問題を引き起こしている。
本稿では,ストレスの局所化と直交正規化を含む最適化フレームワーク上に構築された新しいMPNNモデルDDSMを提案する。
さらに,このフレームワークにノードの拡散距離を導入して,新しいメッセージパッシング操作を誘導し,厳密な理論的解析によって裏付けられた距離近似の効率的なアルゴリズムを開発する。
包括的実験により、DDSMは、ホモ親和性グラフとヘテロ親和性グラフの両方において、15の強いベースラインを一貫して、かなり上回っていることが示された。
関連論文リスト
- NNDM: NN_UNet Diffusion Model for Brain Tumor Segmentation [0.0]
本稿では,NN-UNet の頑健な特徴抽出と拡散確率モデルの生成機能を統合するハイブリッドフレームワーク NNDM (NN_UNet Diffusion Model) を提案する。
提案手法では, NN-UNet が生成するセグメンテーションマスクを, 予測マスクと接地トラスマスクの残差分布を学習することにより, 段階的に改良する。
BraTS 2021データセットで行った実験は、NNDMが従来のU-Netやトランスフォーマーベースラインよりも優れた性能を発揮することを示した。
論文 参考訳（メタデータ） (2025-10-08T22:19:08Z) - ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。
本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。
特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
論文 参考訳（メタデータ） (2025-07-19T04:46:53Z) - Integrating Intermediate Layer Optimization and Projected Gradient Descent for Solving Inverse Problems with Diffusion Models [19.445391508424667]
逆問題(IP)はノイズの観測から信号を再構成する。
DMはIPを解くための強力なフレームワークとして登場し、優れた再構築性能を実現している。
既存のDMベースの手法は、重い計算要求や準最適収束といった問題に頻繁に遭遇する。
これらの課題に対処するために,DMILOとDMILO-PGDという2つの新しい手法を提案する。
論文 参考訳（メタデータ） (2025-05-27T06:49:02Z) - Data-Driven and Theory-Guided Pseudo-Spectral Seismic Imaging Using Deep Neural Network Architectures [0.0]
フルウェーブフォーム・インバージョン(FWI)は高分解能地下モデルを再構成する。
FWIは、ソルバの選択とデータ可用性に関する課題に直面している。
Deep Learning(DL)は、データ駆動および物理ベースのメソッドをブリッジする、有望な代替手段を提供する。
この論文は擬似スペクトルFWIをDLに統合し、データ駆動と理論誘導の両方のアプローチを定式化する。
論文 参考訳（メタデータ） (2025-02-26T05:46:53Z) - Residual-based attention and connection to information bottleneck theory
in PINNs [0.393259574660092]
近年,物理インフォームドニューラルネットワーク(PINN)への関心が高まっている。
本稿では,動的システムや静的システムの収束を加速する,PINNの効率的な勾配なし重み付け手法を提案する。
論文 参考訳（メタデータ） (2023-07-01T16:29:55Z) - MGNNI: Multiscale Graph Neural Networks with Implicit Layers [53.75421430520501]
暗黙グラフニューラルネットワーク(GNN)は、基礎となるグラフの長距離依存性をキャプチャするために提案されている。
暗黙的GNNの2つの弱点は、長距離依存を捉えるための限られた有効範囲による制約付き表現性と、複数の解像度でグラフ上のマルチスケール情報をキャプチャする能力の欠如である。
グラフ上のマルチスケール構造をモデル化できる暗黙の層(MGNNI)を持つマルチスケールグラフニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-10-15T18:18:55Z) - Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。
これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
論文 参考訳（メタデータ） (2022-06-06T14:26:34Z) - Influence Estimation and Maximization via Neural Mean-Field Dynamics [60.91291234832546]
本稿では,ニューラル平均場(NMF)ダイナミクスを用いた新しい学習フレームワークを提案する。
我々のフレームワークは拡散ネットワークの構造とノード感染確率の進化を同時に学習することができる。
論文 参考訳（メタデータ） (2021-06-03T00:02:05Z) - An Ode to an ODE [78.97367880223254]
我々は、O(d) 群上の行列フローに応じて主フローの時間依存パラメータが進化する ODEtoODE と呼ばれるニューラルODE アルゴリズムの新しいパラダイムを提案する。
この2つの流れのネストされたシステムは、訓練の安定性と有効性を提供し、勾配の消滅・爆発問題を確実に解決する。
論文 参考訳（メタデータ） (2020-06-19T22:05:19Z) - Network Diffusions via Neural Mean-Field Dynamics [52.091487866968286]
本稿では,ネットワーク上の拡散の推論と推定のための新しい学習フレームワークを提案する。
本研究の枠組みは, ノード感染確率の正確な進化を得るために, モリ・ズワンジッヒ形式から導かれる。
我々のアプローチは、基礎となる拡散ネットワークモデルのバリエーションに対して多用途で堅牢である。
論文 参考訳（メタデータ） (2020-06-16T18:45:20Z)
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。