論文の概要: Representation of the structure of graphs by sequences of instructions

• arxiv url: http://arxiv.org/abs/2512.10429v2
• Date: Sat, 13 Dec 2025 07:18:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 15:10:29.234306
• Title: Representation of the structure of graphs by sequences of instructions
• Title（参考訳）: 命令列によるグラフの構造表現
• Authors: Ezequiel Lopez-Rubio,
• Abstract要約: グラフの表現は一般に隣接行列の概念に基づいている。 これは、ディープラーニングモデルによるグラフの処理を促進するのに役立つかもしれない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The representation of graphs is commonly based on the adjacency matrix concept. This formulation is the foundation of most algebraic and computational approaches to graph processing. The advent of deep learning language models offers a wide range of powerful computational models that are specialized in the processing of text. However, current procedures to represent graphs are not amenable to processing by these models. In this work, a new method to represent graphs is proposed. It represents the adjacency matrix of a graph by a string of simple instructions. The instructions build the adjacency matrix step by step. The transformation is reversible, i.e., given a graph the string can be produced and vice versa. The proposed representation is compact, and it maintains the local structural patterns of the graph. Therefore, it is envisaged that it could be useful to boost the processing of graphs by deep learning models. A tentative computational experiment is reported, demonstrating improved classification performance and faster computation times with the proposed representation.
• Abstract（参考訳）: グラフの表現は一般に隣接行列の概念に基づいている。 この定式化は、グラフ処理に対する最も代数的および計算的なアプローチの基礎である。 ディープラーニング言語モデルの出現は、テキストの処理を専門とする幅広い強力な計算モデルを提供する。 しかしながら、グラフを表現するための現在の手順は、これらのモデルによる処理には適していない。 本研究では,グラフを表現する新しい手法を提案する。 これはグラフの隣接行列を単純な命令の列で表す。 命令は、隣接行列を段階的に構築する。 変換は可逆であり、すなわち、グラフが与えられたら、文字列は生成され、その逆も生成される。 提案した表現はコンパクトであり、グラフの局所的な構造パターンを維持している。 したがって、深層学習モデルによるグラフの処理を促進できる可能性が示唆されている。 予備的な計算実験を報告し、提案した表現を用いた分類性能の向上と高速な計算時間を示す。

関連論文リスト

• Explainable Graph Representation Learning via Graph Pattern Analysis [33.539251667469294]
  本稿では,グラフパターン解析によるグラフ表現の学習と説明のためのフレームワークを提案する。 パターン解析を用いて実世界のデータに対するグラフ表現の学習と説明方法を示す。
  論文  参考訳（メタデータ） (2025-12-04T07:25:01Z)
• PlanE: Representation Learning over Planar Graphs [9.697671872347131]
  この研究はホップクロフトとタージャンの古典的な平面グラフ同型アルゴリズムにインスパイアされている。 PlanEには、実用的な拡張性を維持しながら、平面グラフ上の完全な不変性を学習できるアーキテクチャが含まれている。
  論文  参考訳（メタデータ） (2023-07-03T17:45:01Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• A Prufer-Sequence Based Representation of Large Graphs for Structural Encoding of Logic Networks [0.30458514384586405]
  本稿では,グラフの構造が実生活システムの性質に影響を及ぼすという仮説を主に懸念する。 このような構造的影響のモデルは、VLSI回路のような複雑で大規模なシステムの有用な性質を推論するのに有用である。
  論文  参考訳（メタデータ） (2022-09-04T11:24:19Z)
• Explanation Graph Generation via Pre-trained Language Models: An Empirical Study with Contrastive Learning [84.35102534158621]
  エンドツーエンドで説明グラフを生成する事前学習言語モデルについて検討する。 本稿では,ノードとエッジの編集操作によるグラフ摂動の簡易かつ効果的な方法を提案する。 提案手法は,説明グラフの構造的精度と意味的精度を両立させる。
  論文  参考訳（メタデータ） (2022-04-11T00:58:27Z)
• Graph Kernel Neural Networks [53.91024360329517]
  本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。 これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。 私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
  論文  参考訳（メタデータ） (2021-12-14T14:48:08Z)
• Learning Graphon Autoencoders for Generative Graph Modeling [91.32624399902755]
  Graphonは任意のサイズでグラフを生成する非パラメトリックモデルであり、グラフから簡単に誘導できる。 解析可能でスケーラブルなグラフ生成モデルを構築するために,textitgraphon autoencoder という新しいフレームワークを提案する。 線形グルーポン分解モデルはデコーダとして機能し、潜在表現を活用して誘導されたグルーポンを再構成する。
  論文  参考訳（メタデータ） (2021-05-29T08:11:40Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Unsupervised Graph Embedding via Adaptive Graph Learning [85.28555417981063]
  グラフオートエンコーダ(GAE)は、グラフ埋め込みのための表現学習において強力なツールである。 本稿では,2つの新しい教師なしグラフ埋め込み法,適応グラフ学習(BAGE)による教師なしグラフ埋め込み,変分適応グラフ学習(VBAGE)による教師なしグラフ埋め込みを提案する。 いくつかのデータセットに関する実験的研究により、我々の手法がノードクラスタリング、ノード分類、グラフ可視化タスクにおいて、ベースラインよりも優れていることが実証された。
  論文  参考訳（メタデータ） (2020-03-10T02:33:14Z)
• Learning Product Graphs Underlying Smooth Graph Signals [15.023662220197242]
  本稿では,製品グラフの形式で与えられるデータから構造化グラフを学習する方法を考案する。 この目的のために、まずグラフ学習問題は線形プログラムとして表され、これは(平均的に)最先端のグラフ学習アルゴリズムより優れている。
  論文  参考訳（メタデータ） (2020-02-26T03:25:15Z)

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。