論文の概要: Data-Driven Graph Filters via Adaptive Spectral Shaping

• arxiv url: http://arxiv.org/abs/2602.03698v1
• Date: Tue, 03 Feb 2026 16:20:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.571003
• Title: Data-Driven Graph Filters via Adaptive Spectral Shaping
• Title（参考訳）: 適応スペクトル整形によるデータ駆動グラフフィルタ
• Authors: Dylan Sandfelder, Mihai Cucuringu, Xiaowen Dong,
• Abstract要約: 本稿では,グラフフィルタリングのためのデータ駆動型フレームワークであるAdaptive Spectral Shapingを紹介する。 このフレームワークは、グラフ信号処理パイプラインとグラフニューラルネットワークにプラグインする、コンパクトなスペクトルモジュールを提供する。
• 参考スコア（独自算出の注目度）: 10.449640808601199
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Adaptive Spectral Shaping, a data-driven framework for graph filtering that learns a reusable baseline spectral kernel and modulates it with a small set of Gaussian factors. The resulting multi-peak, multi-scale responses allocate energy to heterogeneous regions of the Laplacian spectrum while remaining interpretable via explicit centers and bandwidths. To scale, we implement filters with Chebyshev polynomial expansions, avoiding eigendecompositions. We further propose Transferable Adaptive Spectral Shaping (TASS): the baseline kernel is learned on source graphs and, on a target graph, kept fixed while only the shaping parameters are adapted, enabling few-shot transfer under matched compute. Across controlled synthetic benchmarks spanning graph families and signal regimes, Adaptive Spectral Shaping reduces reconstruction error relative to fixed-prototype wavelets and learned linear banks, and TASS yields consistent positive transfer. The framework provides compact spectral modules that plug into graph signal processing pipelines and graph neural networks, combining scalability, interpretability, and cross-graph generalization.
• Abstract（参考訳）: 本稿では,グラフフィルタリングのためのデータ駆動フレームワークであるAdaptive Spectral Shapingを紹介する。 結果として生じるマルチピーク・マルチスケール応答はラプラシアスペクトルの異質領域にエネルギーを割り当てる一方で、明示的な中心と帯域幅を通して解釈可能である。 スケールするために、チェビシェフ多項式展開を伴うフィルタを実装し、固有分解を避ける。 ベースラインカーネルはソースグラフ上で学習され、ターゲットグラフ上では、整形パラメータのみを適応させながら固定され、マッチングされた計算下での少数ショット転送が可能となる。 グラフファミリと信号レシエーションにまたがる制御された総合ベンチマーク全体において、Adaptive Spectral Shapingは固定プロトタイプウェーブレットと学習された線形バンクに対する再構成誤差を低減し、TASSは一貫した正の転送をもたらす。 このフレームワークは、グラフ信号処理パイプラインとグラフニューラルネットワークに接続するコンパクトなスペクトルモジュールを提供し、スケーラビリティ、解釈可能性、およびクロスグラフの一般化を組み合わせている。

関連論文リスト

• A Spectral Interpretation of Redundancy in a Graph Reservoir [51.40366905583043]
  この研究はMRGNN(Multi resolution Reservoir Graph Neural Network)における貯留層の定義を再考する。 コンピュータグラフィックスにおける表面設計の分野で最初に導入されたフェアリングアルゴリズムに基づく変種を提案する。 この論文の中核的な貢献は、ランダムウォークの観点からのアルゴリズムの理論解析にある。
  論文  参考訳（メタデータ） (2025-07-17T10:02:57Z)
• A General Graph Spectral Wavelet Convolution via Chebyshev Order Decomposition [41.41593198072709]
  本稿では,マルチレゾリューションスペクトルベースと行列値フィルタカーネルを統合した新しいウェーブレットベースのグラフ畳み込みネットワークWaveGCを提案する。 理論的には、WaveGCは、短距離および長距離情報を効果的にキャプチャし、分離できることを確立し、より優れたフィルタリング柔軟性を提供する。 我々の数値実験は、短距離タスクと長距離タスクの両方において一貫した改善を示す。
  論文  参考訳（メタデータ） (2024-05-22T16:32:27Z)
• ASWT-SGNN: Adaptive Spectral Wavelet Transform-based Self-Supervised Graph Neural Network [20.924559944655392]
  本稿では,適応スペクトルウェーブレット変換を用いた自己教師付きグラフニューラルネットワーク(ASWT-SGNN)を提案する。 ASWT-SGNNは高密度スペクトル領域におけるフィルタ関数を正確に近似し、コストの高い固有分解を避ける。 ノード分類タスクにおける最先端モデルに匹敵するパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-12-10T03:07:42Z)
• HoloNets: Spectral Convolutions do extend to Directed Graphs [59.851175771106625]
  従来の知恵は、スペクトル畳み込みネットワークは無向グラフ上にしか展開できないと規定している。 ここでは、このグラフフーリエ変換への伝統的な依存が超フルであることを示す。 本稿では,新たに開発されたフィルタの周波数応答解釈を行い,フィルタ表現に使用するベースの影響を調査し,ネットワークを基盤とする特性演算子との相互作用について議論する。
  論文  参考訳（メタデータ） (2023-10-03T17:42:09Z)
• Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph Wavelets [81.63035727821145]
  スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。 本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-03T17:57:53Z)
• 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)
• Gaussian Processes on Graphs via Spectral Kernel Learning [9.260186030255081]
  グラフのノード上で定義された信号の予測のためのグラフスペクトルに基づくガウス過程を提案する。 合成実験におけるモデルの解釈可能性を示し、様々な基底真理スペクトルフィルタを精度良く回収できることを示す。
  論文  参考訳（メタデータ） (2020-06-12T17:51:22Z)

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。