論文の概要: Aligning the Unseen in Attributed Graphs: Interplay between Graph Geometry and Node Attributes Manifold

• arxiv url: http://arxiv.org/abs/2601.22806v1
• Date: Fri, 30 Jan 2026 10:34:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.386751
• Title: Aligning the Unseen in Attributed Graphs: Interplay between Graph Geometry and Node Attributes Manifold
• Title（参考訳）: 分散グラフにおける見えない部分のアライメント:グラフ幾何学とノード属性の相互作用
• Authors: Aldric Labarthe, Roland Bouffanais, Julien Randon-Furling,
• Abstract要約: 構造アライメントから多様体学習を分離するカスタム変分オートエンコーダを導入する。 属性多様体をグラフのHeat Kernelにマッピングするために必要な計量歪みを定量化することにより、幾何学的衝突を構造記述子に変換する。
• 参考スコア（独自算出の注目度）: 0.46976113832881716
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The standard approach to representation learning on attributed graphs -- i.e., simultaneously reconstructing node attributes and graph structure -- is geometrically flawed, as it merges two potentially incompatible metric spaces. This forces a destructive alignment that erodes information about the graph's underlying generative process. To recover this lost signal, we introduce a custom variational autoencoder that separates manifold learning from structural alignment. By quantifying the metric distortion needed to map the attribute manifold onto the graph's Heat Kernel, we transform geometric conflict into an interpretable structural descriptor. Experiments show our method uncovers connectivity patterns and anomalies undetectable by conventional approaches, proving both their theoretical inadequacy and practical limitations.
• Abstract（参考訳）: 属性付きグラフ上での表現学習(つまり、ノード属性とグラフ構造を同時に再構築する)の標準的なアプローチは、2つの非互換な距離空間をマージするため、幾何学的に欠陥がある。 これは、グラフの根底にある生成過程に関する情報を侵食する破壊的なアライメントを強制する。 この損失信号を回復するために、多様体学習を構造的アライメントから分離するカスタム変分オートエンコーダを導入する。 属性多様体をグラフのHeat Kernelにマッピングするために必要な計量歪みを定量化することにより、幾何学的衝突を解釈可能な構造記述子に変換する。 実験により,従来の手法では検出できない接続パターンや異常を解明し,その理論的不適切さと実用的限界を実証した。

関連論文リスト

• GraphShaper: Geometry-aware Alignment for Improving Transfer Learning in Text-Attributed Graphs [16.624063216788638]
  マルチジオメトリ・スペシャライゼーションによるグラフエンコーディングを強化した幾何認識フレームワークである textbfGraphShaper を紹介する。 我々のアプローチでは、異なる幾何学的空間に合わせた専門家ネットワークを使用し、動的に融合重みを計算し、幾何学的特性を適応的に統合する。 引用ネットワークでは9.47%、ゼロショット設定では7.63%の精度向上を実現している。
  論文  参考訳（メタデータ） (2025-10-14T02:48:50Z)
• Graph Alignment via Dual-Pass Spectral Encoding and Latent Space Communication [31.43539830271355]
  本稿では,ノードの特異性を同時に強化し,潜在空間間の幾何的整合性を実現する新しいグラフアライメントフレームワークを提案する。 提案手法では,低域通過スペクトルフィルタと高域通過スペクトルフィルタを組み合わせたデュアルパスエンコーダを導入し,構造認識と高判別の両方が可能な埋め込みを生成する。
  論文  参考訳（メタデータ） (2025-09-11T16:36:16Z)
• Mitigating Over-Squashing in Graph Neural Networks by Spectrum-Preserving Sparsification [81.06278257153835]
  本稿では,構造的ボトルネック低減とグラフ特性保存のバランスをとるグラフ再構成手法を提案する。 本手法は、疎性を維持しながら接続性を高めたグラフを生成し、元のグラフスペクトルを大半保存する。
  論文  参考訳（メタデータ） (2025-06-19T08:01:00Z)
• CurvGAD: Leveraging Curvature for Enhanced Graph Anomaly Detection [23.643189106137008]
  本稿では、曲率に基づく幾何学的異常の概念を導入する混合曲率グラフオートエンコーダであるCurvGADを提案する。 CurvGADは2つの並列パイプラインを導入し、異常解釈性を向上した。 10以上の実世界のデータセットの実験では、最先端のGADメソッドよりも最大6.5%改善されている。
  論文  参考訳（メタデータ） (2025-02-12T17:49:46Z)
• Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
  グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。 我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。 グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
  論文  参考訳（メタデータ） (2023-11-29T12:48:33Z)
• Curve Your Attention: Mixed-Curvature Transformers for Graph Representation Learning [77.1421343649344]
  本稿では,一定曲率空間の積を完全に操作するトランスフォーマーの一般化を提案する。 また、非ユークリッド注意に対するカーネル化されたアプローチを提供し、ノード数とエッジ数に線形に時間とメモリコストでモデルを実行できるようにします。
  論文  参考訳（メタデータ） (2023-09-08T02:44:37Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Self-Supervised Graph Representation Learning via Topology Transformations [61.870882736758624]
  本稿では,グラフデータのノード表現のための自己教師型学習の一般的なパラダイムであるトポロジー変換同変表現学習について述べる。 実験では,提案手法を下流ノードおよびグラフ分類タスクに適用し,提案手法が最先端の教師なし手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-05-25T06:11:03Z)

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。