論文の概要: Bridging Distance and Spectral Positional Encodings via Anchor-Based Diffusion Geometry Approximation

• arxiv url: http://arxiv.org/abs/2601.04517v1
• Date: Thu, 08 Jan 2026 02:31:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:52.995717
• Title: Bridging Distance and Spectral Positional Encodings via Anchor-Based Diffusion Geometry Approximation
• Title（参考訳）: アンカーベース拡散幾何学近似によるブリジング距離とスペクトル位置符号化
• Authors: Zimo Yan, Zheng Xie, Runfan Duan, Chang Liu, Wumei Du,
• Abstract要約: 広く使われている2つのファミリーは、ラプラシアンまたは拡散演算子に由来するスペクトル符号化と、最短パス情報から構築されたアンカーベース距離符号化である。 我々は, 乱れた拡散座標を変換されたアンカー距離とアンカースペクトル位置から再構成する明示的な3次写像を導出した。 共有GNPベースのDDI予測バックボーンを用いたDarmBank分子グラフでは、距離駆動Nystrmスキームが拡散幾何学を密接に回復する。
• 参考スコア（独自算出の注目度）: 7.270459013324939
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Molecular graph learning benefits from positional signals that capture both local neighborhoods and global topology. Two widely used families are spectral encodings derived from Laplacian or diffusion operators and anchor-based distance encodings built from shortest-path information, yet their precise relationship is poorly understood. We interpret distance encodings as a low-rank surrogate of diffusion geometry and derive an explicit trilateration map that reconstructs truncated diffusion coordinates from transformed anchor distances and anchor spectral positions, with pointwise and Frobenius-gap guarantees on random regular graphs. On DrugBank molecular graphs using a shared GNP-based DDI prediction backbone, a distance-driven Nyström scheme closely recovers diffusion geometry, and both Laplacian and distance encodings substantially outperform a no-encoding baseline.
• Abstract（参考訳）: 分子グラフ学習は、地域とグローバルトポロジーの両方を捉える位置信号の恩恵を受ける。 広く使われている2つのファミリーは、ラプラシアまたは拡散演算子に由来するスペクトル符号化と、最短パス情報から構築されたアンカーベース距離符号化であるが、それらの正確な関係は理解されていない。 我々は、距離符号化を拡散幾何学の低ランク代用として解釈し、ランダムな正則グラフ上の点とフロベニウスギャップの保証とともに、変換されたアンカー距離とアンカースペクトル位置から、切り離された拡散座標を再構成する明示的な三元写像を導出する。 共有GNPベースのDDI予測バックボーンを用いたDarmBank分子グラフでは、距離駆動のNyströmスキームが拡散幾何学を密接に回復し、ラプラシアンと距離エンコーディングの両方が非エンコードベースラインを大幅に上回る。

関連論文リスト

• Blind Radio Mapping via Spatially Regularized Bayesian Trajectory Inference [34.91945910235526]
  本稿では,屋内マルチインプット・マルチアウトプット(MIMO)-直交周波数分割多重化(OFDM)チャネル計測からユーザトラジェクトリを位置ラベルに依存することなく推定するブラインド無線マップ構築フレームワークを提案する。 レイトレーシングデータセットの実験では、平均位置推定誤差が0.68m、ビームマップ再構成誤差が3.3%となり、提案したブラインドマッピングの有効性が検証された。
  論文  参考訳（メタデータ） (2025-12-04T05:31:28Z)
• Resolving Node Identifiability in Graph Neural Processes via Laplacian Spectral Encodings [9.343292907600913]
  固有ベクトル符号のフリップや固有空間内の回転の基底に不変なラプラシアン位置符号化の理論を提供する。 この符号化により、一定数の観測からノード識別性が得られ、Weisfeiler-Lehmanテストで制約されたアーキテクチャからサンプル複雑度を分離することが証明される。
  論文  参考訳（メタデータ） (2025-11-24T12:20:36Z)
• Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
  本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。 生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。 数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
  論文  参考訳（メタデータ） (2025-11-21T07:25:49Z)
• GeoGNN: Quantifying and Mitigating Semantic Drift in Text-Attributed Graphs [59.61242815508687]
  テキスト分散グラフ(TAG)上のグラフニューラルネットワーク(GNN)は、事前訓練された言語モデル(PLM)を使用してノードテキストを符号化し、これらの埋め込みを線形近傍アグリゲーションを通じて伝播する。 本研究は,意味的ドリフトの度合いを計測する局所PCAベースの計量を導入し,異なる凝集機構が多様体構造にどのように影響するかを解析するための最初の定量的枠組みを提供する。
  論文  参考訳（メタデータ） (2025-11-12T06:48:43Z)
• Graph Signal Generative Diffusion Models [74.75869068073577]
  拡散過程を用いたグラフ信号生成のためのU字型エンコーダ-デコーダグラフニューラルネットワーク(U-GNN)を提案する。 アーキテクチャは、エンコーダとデコーダパス間の接続をスキップすることで、異なる解像度でノード機能を学ぶ。 株価の確率予測における拡散モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2025-09-21T21:57:27Z)
• Addressing Graph Anomaly Detection via Causal Edge Separation and Spectrum [6.722106415172189]
  現実の世界では、異常なエンティティは、他の異常なエンティティと直接リンクを隠しながら、より正当な接続を追加することが多い。 本研究は, 異性度が異なるノードのスペクトル分布を解析し, 異常ノードの不均一性がスペクトルエネルギーのシフトを引き起こすことを明らかにする。 異種グラフ上の異常検出のための因果エッジ分離に基づくスペクトルニューラルネットワークCES2-GADを提案する。
  論文  参考訳（メタデータ） (2025-08-20T12:59:22Z)
• Rewiring with Positional Encodings for Graph Neural Networks [37.394229290996364]
  いくつかの最近の研究は、注意機構を備えたグラフニューラルネットワーク層の受容場を拡張するために位置符号化を使用している。 位置エンコーディングを用いて、受容場を$r$ホップ地区に拡張する。 各種モデルやデータセットの改良や,従来のGNNやグラフトランスフォーマーによる競争性能の向上を実現しています。
  論文  参考訳（メタデータ） (2022-01-29T22:26:02Z)
• Semi-Supervised Learning for Channel Charting-Aided IoT Localization in Millimeter Wave Networks [97.66522637417636]
  ミリ波ネットワークにおけるチャネルチャート(CC)支援の新たな枠組みを提案する。 特に,無線機器の3次元位置を推定するために,畳み込み型オートエンコーダモデルを提案する。 フレームワークは半教師付きフレームワークに拡張され、オートエンコーダは2つのコンポーネントに分割される。
  論文  参考訳（メタデータ） (2021-08-03T14:41:38Z)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• Spectral Pyramid Graph Attention Network for Hyperspectral Image Classification [5.572542792318872]
  畳み込みニューラルネットワーク(CNN)は、ハイパースペクトル画像(HSI)分類において大きな進歩を遂げている。 標準畳み込みカーネルは、データポイント間の本質的な接続を無視し、結果として、領域のデラインが貧弱になり、小さなスプリアス予測がもたらされる。 本稿では,これらの2つの問題に明示的に対処する新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-01-20T13:49:43Z)

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。