論文の概要: Frequent subgraph-based persistent homology for graph classification

• arxiv url: http://arxiv.org/abs/2512.24917v1
• Date: Wed, 31 Dec 2025 15:21:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-01 23:27:28.688535
• Title: Frequent subgraph-based persistent homology for graph classification
• Title（参考訳）: グラフ分類のための頻繁な部分グラフに基づく永続的ホモロジー
• Authors: Xinyang Chen, Amaël Broustet, Guoting Chen,
• Abstract要約: 周波数サブグラフフィルタ(FSF)と呼ばれる新しいグラフフィルタを提案する。 FSFは、頻繁な部分グラフから派生し、安定かつ情報に富んだ周波数ベース永続ホモロジー(FPH)特徴を生成する。 グラフ分類には、FPHベースの機械学習モデル(FPH-ML)とグラフニューラルネットワーク(FPH-GNN)とFPHを統合するハイブリッドフレームワークの2つのアプローチを導入する。
• 参考スコア（独自算出の注目度）: 6.743445866176612
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Persistent homology (PH) has recently emerged as a powerful tool for extracting topological features. Integrating PH into machine learning and deep learning models enhances topology awareness and interpretability. However, most PH methods on graphs rely on a limited set of filtrations, such as degree-based or weight-based filtrations, which overlook richer features like recurring information across the dataset and thus restrict expressive power. In this work, we propose a novel graph filtration called Frequent Subgraph Filtration (FSF), which is derived from frequent subgraphs and produces stable and information-rich frequency-based persistent homology (FPH) features. We study the theoretical properties of FSF and provide both proofs and experimental validation. Beyond persistent homology itself, we introduce two approaches for graph classification: an FPH-based machine learning model (FPH-ML) and a hybrid framework that integrates FPH with graph neural networks (FPH-GNNs) to enhance topology-aware graph representation learning. Our frameworks bridge frequent subgraph mining and topological data analysis, offering a new perspective on topology-aware feature extraction. Experimental results show that FPH-ML achieves competitive or superior accuracy compared with kernel-based and degree-based filtration methods. When integrated into graph neural networks, FPH yields relative performance gains ranging from 0.4 to 21 percent, with improvements of up to 8.2 percentage points over GCN and GIN backbones across benchmarks.
• Abstract（参考訳）: 永続ホモロジー(PH)は、最近、トポロジ的特徴を抽出する強力なツールとして登場した。 PHを機械学習とディープラーニングモデルに統合することで、トポロジの認識と解釈性が向上する。 しかし、グラフ上のほとんどのPH法は、次数に基づくフィルタリングや重みに基づくフィルタリングのような限定的なフィルタリングに依存しており、データセットをまたぐ情報のようなよりリッチな特徴を見落とし、表現力を制限する。 本研究では,FSF (Frequent Subgraph Filtration) と呼ばれるグラフフィルタを提案する。 本研究では, FSFの理論的特性について検討し, 実証と実験的検証の両方を提供する。 FPHベースの機械学習モデル(FPH-ML)と、FPHとグラフニューラルネットワーク(FPH-GNN)を統合して、トポロジ対応のグラフ表現学習を強化するハイブリッドフレームワークである。 筆者らのフレームワークは,頻繁な部分グラフマイニングとトポロジカルデータ解析を橋渡しし,トポロジを意識した特徴抽出の新しい視点を提供する。 実験の結果,FPH-MLはカーネルベースや等級ベースの濾過法と比較して,競争力や精度が向上していることがわかった。 グラフニューラルネットワークに統合されると、FPHは0.4から21パーセントの相対的なパフォーマンス向上をもたらし、GCNとGINのバックボーンよりも最大8.2ポイント改善される。

関連論文リスト

• Towards Anomaly-Aware Pre-Training and Fine-Tuning for Graph Anomaly Detection [59.042018542376596]
  グラフ異常検出(GAD)は近年注目度が高まりつつあるが、2つの重要な要因があるため、依然として困難である。 Anomaly-Aware Pre-Training and Fine-Tuning (APF)は、GADの課題を軽減するためのフレームワークである。 10のベンチマークデータセットに関する総合的な実験は、最先端のベースラインと比較してAPFの優れたパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2025-04-19T09:57:35Z)
• Dual-Frequency Filtering Self-aware Graph Neural Networks for Homophilic and Heterophilic Graphs [60.82508765185161]
  我々は、Dual-Frequency Filtering Self-Aware Graph Neural Networks (DFGNN)を提案する。 DFGNNは低域通過フィルタと高域通過フィルタを統合し、滑らかで詳細な位相的特徴を抽出する。 フィルター比を動的に調整し、ホモフィルグラフとヘテロフィルグラフの両方に対応する。
  論文  参考訳（メタデータ） (2024-11-18T04:57:05Z)
• PHLP: Sole Persistent Homology for Link Prediction - Interpretable Feature Extraction [2.8413459430736396]
  リンク予測 (LP) はグラフデータにおいて重要な研究領域であり、リンクはノード間の関係に関する重要な情報を表す。 グラフニューラルネットワーク(GNN)ベースのモデルはLPでは高いパフォーマンスを実現しているが、多くの場合は複雑なニューラルネットワークで構成されているため、うまく機能する理由を理解することは難しい。 対象リンクの有無が全体トポロジにどのように影響するかに着目し,PHLP(PHLP)を用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-04-23T16:54:56Z)
• Boosting Graph Pooling with Persistent Homology [8.477383770884508]
  GNN層にPH機能を鼻で接続すると、解釈可能性の低い限界改善が得られる。 本研究では,PHの濾過操作が自然にグラフプーリングを切断的に整列させるという観察に動機づけられた,グローバルなトポロジ的不変性を PH を用いてプール層に注入する新しいメカニズムについて検討する。 実験では,この機構をグラフプーリング手法の集合に適用し,複数の一般的なデータセットに対して一貫した,実質的な性能向上を観察する。
  論文  参考訳（メタデータ） (2024-02-26T07:00:24Z)
• Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
  グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。 FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。 ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2023-12-19T18:00:15Z)
• Going beyond persistent homology using persistent homology [5.724311218570011]
  この重要な問題に対する完全な解決を提供するために、色分離集合という新しい概念を導入する。 グラフ上のトポロジ的特徴を学習するためのRePHINEを提案する。
  論文  参考訳（メタデータ） (2023-11-10T16:12:35Z)
• Deep Graph Neural Networks via Posteriori-Sampling-based Node-Adaptive Residual Module [65.81781176362848]
  グラフニューラルネットワーク(GNN)は、近隣情報収集を通じてグラフ構造化データから学習することができる。 レイヤーの数が増えるにつれて、ノード表現は区別不能になり、オーバー・スムーシング(over-smoothing)と呼ばれる。 我々は,textbfPosterior-Sampling-based, Node-distinguish Residual Module (PSNR)を提案する。
  論文  参考訳（メタデータ） (2023-05-09T12:03:42Z)
• Learnable Filters for Geometric Scattering Modules [64.03877398967282]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2022-08-15T22:30:07Z)
• Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2020-10-06T01:20:27Z)

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。