論文の概要: Can You Hear Me Now? A Benchmark for Long-Range Graph Propagation

• arxiv url: http://arxiv.org/abs/2512.17762v1
• Date: Fri, 19 Dec 2025 16:34:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-22 19:25:54.486741
• Title: Can You Hear Me Now? A Benchmark for Long-Range Graph Propagation
• Title（参考訳）: 耳が聞こえた? グラフの長距離伝播のベンチマーク
• Authors: Luca Miglior, Matteo Tolloso, Alessio Gravina, Davide Bacciu,
• Abstract要約: ECHOは、非常に長い範囲のグラフ伝搬を扱うグラフニューラルネットワーク(GNN)の能力を厳格に評価するために設計されたベンチマークである。 ECHOには、単一ソースの最短経路、ノード偏心性、グラフ直径の3つの合成グラフタスクが含まれている。 ECHOにはECHO-ChargeとECHO-Energyという2つの実世界のデータセットも含まれている。
• 参考スコア（独自算出の注目度）: 21.58194886553004
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Effectively capturing long-range interactions remains a fundamental yet unresolved challenge in graph neural network (GNN) research, critical for applications across diverse fields of science. To systematically address this, we introduce ECHO (Evaluating Communication over long HOps), a novel benchmark specifically designed to rigorously assess the capabilities of GNNs in handling very long-range graph propagation. ECHO includes three synthetic graph tasks, namely single-source shortest paths, node eccentricity, and graph diameter, each constructed over diverse and structurally challenging topologies intentionally designed to introduce significant information bottlenecks. ECHO also includes two real-world datasets, ECHO-Charge and ECHO-Energy, which define chemically grounded benchmarks for predicting atomic partial charges and molecular total energies, respectively, with reference computations obtained at the density functional theory (DFT) level. Both tasks inherently depend on capturing complex long-range molecular interactions. Our extensive benchmarking of popular GNN architectures reveals clear performance gaps, emphasizing the difficulty of true long-range propagation and highlighting design choices capable of overcoming inherent limitations. ECHO thereby sets a new standard for evaluating long-range information propagation, also providing a compelling example for its need in AI for science.
• Abstract（参考訳）: 長距離の相互作用を効果的に捉えることは、グラフニューラルネットワーク(GNN)研究における基礎的かつ未解決の課題であり、さまざまな科学分野の応用に不可欠である。 この問題に系統的に対処するために,超長距離グラフ伝搬処理におけるGNNの能力を厳格に評価する新しいベンチマークであるECHO(Evaluating Communication over long HOps)を導入する。 ECHOには、単一ソースの最短経路、ノード偏心性、グラフ直径という3つの合成グラフタスクが含まれており、それぞれが重要な情報のボトルネックを意図的に導入するために設計された多様で構造的に困難なトポロジの上に構築されている。 ECHOにはECHO-Charge(英語版)とECHO-Energy(英語版)という2つの実世界のデータセットが含まれており、それぞれ原子部分電荷と分子総エネルギーを予測するための化学的に基底化されたベンチマークと密度汎関数理論(DFT)レベルでの参照計算が定義されている。 どちらのタスクも本質的には複雑な長距離分子相互作用を捉えることに依存する。 一般的なGNNアーキテクチャの広範なベンチマークでは、真の長距離伝搬の難しさを強調し、固有の制限を克服可能な設計選択を強調しながら、明らかなパフォーマンスギャップが明らかになっている。 これにより、ECHOは、長距離情報伝達を評価するための新しい標準を設定し、科学のためのAIの必要性を示す魅力的な例を提供する。

関連論文リスト

• DeltaGNN: Graph Neural Network with Information Flow Control [5.563171090433323]
  グラフニューラルネットワーク(GNN)は、メッセージパッシングプロセスの近傍集約を通じてグラフ構造化データを処理するように設計されている。 メッセージパッシングにより、GNNは短距離空間的相互作用を理解できるだけでなく、過度なスムーシングや過度なスカッシングに悩まされる。 本稿では,線形計算オーバーヘッドを伴うオーバー・スムーシングとオーバー・スキャッシングに対処するための,emph情報フロー制御機構を提案する。 さまざまなサイズ、トポロジ、密度、ホモフィリック比のグラフを含む10の実世界のデータセットを対象に、我々のモデルをベンチマークし、優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-01-10T14:34:20Z)
• Neural Atoms: Propagating Long-range Interaction in Molecular Graphs through Efficient Communication Channel [48.6168145845412]
  分子の原子を暗黙的に投影することで、原子群の集合情報を数$textitNeural Atoms$に抽象化する方法を提案する。 具体的には、ニューラル原子間で情報を明示的に交換し、それをエンハンスメントとして原子の表現に投影する。 この機構により、ニューラルネットワークは遠方のノード間の通信チャネルを確立し、任意のノード対の相互作用範囲を1つのホップに効果的に縮小する。
  論文  参考訳（メタデータ） (2023-11-02T14:44:50Z)
• Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
  不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。 既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。 本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T10:01:46Z)
• Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
  グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。 最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。 科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
  論文  参考訳（メタデータ） (2022-05-15T11:38:14Z)
• Which Hyperparameters to Optimise? An Investigation of Evolutionary Hyperparameter Optimisation in Graph Neural Network For Molecular Property Prediction [8.02401104726362]
  グラフニューラルネットワーク(GNN)の研究は注目され、分子特性予測において有望な性能を達成した。 グラフ関連層に属するGNNハイパーパラメータとタスク固有層に属するGNNハイパーパラメータの2種類の選択が,分子特性予測におけるGNNの性能に及ぼす影響に着目した。
  論文  参考訳（メタデータ） (2021-04-13T09:21:27Z)
• Hierarchical Message-Passing Graph Neural Networks [12.207978823927386]
  本稿では,新しい階層型メッセージパッシンググラフニューラルネットワークフレームワークを提案する。 鍵となるアイデアは、フラットグラフ内のすべてのノードをマルチレベルなスーパーグラフに再編成する階層構造を生成することである。 階層型コミュニティ対応グラフニューラルネットワーク(HC-GNN)と呼ばれる,このフレームワークを実装した最初のモデルを提案する。
  論文  参考訳（メタデータ） (2020-09-08T13:11:07Z)
• AM-GCN: Adaptive Multi-channel Graph Convolutional Networks [85.0332394224503]
  グラフ畳み込みネットワーク(GCN)は,豊富な情報を持つ複雑なグラフにおいて,ノードの特徴と位相構造を最適に統合できるかどうかを検討する。 半教師付き分類(AM-GCN)のための適応型マルチチャネルグラフ畳み込みネットワークを提案する。 実験の結果,AM-GCNはノードの特徴とトポロジ的構造の両方から最も相関性の高い情報を抽出することがわかった。
  論文  参考訳（メタデータ） (2020-07-05T08:16:03Z)

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。