論文の概要: Optimization-Free Graph Embedding via Distributional Kernel for Community Detection

• arxiv url: http://arxiv.org/abs/2602.13634v1
• Date: Sat, 14 Feb 2026 06:56:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.244161
• Title: Optimization-Free Graph Embedding via Distributional Kernel for Community Detection
• Title（参考訳）: コミュニティ検出のための分散カーネルによるグラフ埋め込みの最適化
• Authors: Shuaibin Song, Kai Ming Ting, Kaifeng Zhang, Tianrun Liang,
• Abstract要約: グラフニューラルネットワーク (GNN) とWeisfeiler-Lehman (WL) の両手法を基盤として, グラフ埋め込みにおいて, 近傍集約戦略 (NAS) が広く用いられているアプローチである。 本稿では,表現表現に重要なノードの分布とノード次数の2つの特性を,既存手法で見落としている。 本稿では,分布特性を考慮しつつノードを埋め込んだ分散対応カーネルを提案する。
• 参考スコア（独自算出の注目度）: 7.023830532843621
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neighborhood Aggregation Strategy (NAS) is a widely used approach in graph embedding, underpinning both Graph Neural Networks (GNNs) and Weisfeiler-Lehman (WL) methods. However, NAS-based methods are identified to be prone to over-smoothing-the loss of node distinguishability with increased iterations-thereby limiting their effectiveness. This paper identifies two characteristics in a network, i.e., the distributions of nodes and node degrees that are critical for expressive representation but have been overlooked in existing methods. We show that these overlooked characteristics contribute significantly to over-smoothing of NAS-methods. To address this, we propose a novel weighted distribution-aware kernel that embeds nodes while taking their distributional characteristics into consideration. Our method has three distinguishing features: (1) it is the first method to explicitly incorporate both distributional characteristics; (2) it requires no optimization; and (3) it effectively mitigates the adverse effects of over-smoothing, allowing WL to preserve node distinguishability and expressiveness even after many iterations of embedding. Experiments demonstrate that our method achieves superior community detection performance via spectral clustering, outperforming existing graph embedding methods, including deep learning methods, on standard benchmarks.
• Abstract（参考訳）: グラフニューラルネットワーク (GNN) とWeisfeiler-Lehman (WL) の両手法を基盤として, グラフ埋め込みにおいて, 近傍集約戦略 (NAS) が広く用いられているアプローチである。 しかし、NASに基づく手法は、繰り返しの増加に伴うノードの識別可能性の喪失により、過度にスムーシングしやすくなり、その効果が制限される。 本稿では,表現表現に重要なノードの分布とノード次数の2つの特性を,既存手法で見落としている。 これらの見落とし特性はNAS-methodの過度な平滑化に大きく寄与することを示す。 そこで本研究では,分布特性を考慮しつつノードを埋め込んだ分散対応カーネルを提案する。 提案手法は,(1)分布特性を明示的に組み込む最初の手法であり,(2)最適化を必要とせず,(3)過剰スムーシングの悪影響を効果的に軽減し,WLがノードの識別性と表現性を維持できる,という3つの特徴を持つ。 実験により, スペクトルクラスタリングによるコミュニティ検出性能が向上し, 標準ベンチマーク上での深層学習を含む既存グラフ埋め込み手法よりも優れた性能が得られた。

関連論文リスト

• Sketch-Augmented Features Improve Learning Long-Range Dependencies in Graph Neural Networks [16.5175121704107]
  グラフニューラルネットワークは、局所的な情報を反復的に集約することで、グラフ構造化データから学習する。 この作業では、ノード機能のランダムなグローバルな埋め込みを標準のGNNに注入し、長距離依存関係を効率的にキャプチャする。 実世界のグラフ学習における実験結果から,この手法がベースラインGNNよりも一貫して性能を向上させることが確認された。
  論文  参考訳（メタデータ） (2025-11-05T19:41:56Z)
• Graph-Sequential Alignment and Uniformity: Toward Enhanced Recommendation Systems [51.716704243764994]
  我々のフレームワークはグラフニューラルネットワーク(GNN)ベースのシーケンシャルレコメンデータを別個のサブモジュールとして使用し、同時に最適化された統合埋め込み空間を共同で共有する。 3つの実世界のデータセットの実験により、提案手法はどちらのアプローチも単独で大幅に性能が向上することを示した。
  論文  参考訳（メタデータ） (2024-12-05T15:59:05Z)
• Degree-Conscious Spiking Graph for Cross-Domain Adaptation [51.58506501415558]
  Spiking Graph Networks (SGNs) はグラフ分類において大きな可能性を証明している。 DeSGraDA(Degree-Consicious Spiking Graph for Cross-Domain Adaptation)という新しいフレームワークを紹介する。 DeSGraDAは3つのキーコンポーネントを持つドメイン間の一般化を強化する。
  論文  参考訳（メタデータ） (2024-10-09T13:45:54Z)
• Robust Node Representation Learning via Graph Variational Diffusion Networks [7.335425547621226]
  近年,グラフ構造における摂動により,GNNに基づくノード表現学習が著しく劣化する可能性が示唆されている。 摂動の存在下で頑健なノード表現を学習するために、GNNを保護するための様々な研究が提案されている。 本稿では,ガウス雑音を効果的に制御し,摂動グラフ上のロバスト性を保護する新しいノードエンコーダであるグラフ変分拡散ネットワーク(GVDN)を提案する。
  論文  参考訳（メタデータ） (2023-12-18T03:18:53Z)
• Complete the Missing Half: Augmenting Aggregation Filtering with Diversification for Graph Convolutional Neural Networks [46.14626839260314]
  現在のグラフニューラルネットワーク(GNN)は、特定のデータセットで学習するすべてのGNNモデルに根ざした問題要因である可能性が示されている。 集約操作をそれらの双対、すなわち、ノードをより明確にし、アイデンティティを保存する多様化演算子で拡張する。 このような拡張は、アグリゲーションを2チャネルのフィルタリングプロセスに置き換え、理論上、ノード表現を豊かにするのに役立つ。 実験では,モデルの望ましい特性と,9ノード分類タスクのベースライン上での大幅な性能向上について検討した。
  論文  参考訳（メタデータ） (2022-12-21T07:24:03Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Unveiling Anomalous Edges and Nominal Connectivity of Attributed Networks [53.56901624204265]
  本研究では、相補的な強さを持つ2つの異なる定式化を用いて、属性グラフの異常なエッジを明らかにする。 まず、グラフデータマトリックスを低ランクとスパースコンポーネントに分解することで、パフォーマンスを著しく向上させる。 第2は、乱れのないグラフを頑健に復元することにより、第1のスコープを広げ、異常識別性能を高める。
  論文  参考訳（メタデータ） (2021-04-17T20:00:40Z)
• Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
  今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。 対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。 また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
  論文  参考訳（メタデータ） (2021-01-06T03:05:37Z)
• Anisotropic Graph Convolutional Network for Semi-supervised Learning [7.843067454030999]
  グラフ畳み込みネットワークは、高精度な予測結果を達成するのに有用であることが証明された効率的なノード埋め込みを学習する。 これらのネットワークはグラフの過度な平滑化と縮小効果の問題に悩まされており、それはグラフの端に線形ラプラシア流を用いて拡散するからである。 本稿では,ノードからの情報的特徴を捉える非線形関数を導入し,過度なスムーシングを防止し,半教師付きノード分類のための異方性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） (2020-10-20T13:56:03Z)
• Complete the Missing Half: Augmenting Aggregation Filtering with Diversification for Graph Convolutional Networks [46.14626839260314]
  我々は、現在のグラフニューラルネットワーク(GNN)が、特定のデータセットで学習するすべてのGNNメソッドの根底にある問題である可能性を示している。 集約操作をそれらの双対、すなわち、ノードをより明確にし、アイデンティティを保存する多様化演算子で拡張する。 このような拡張は、アグリゲーションを2チャネルのフィルタリングプロセスに置き換え、理論上、ノード表現を豊かにするのに役立つ。 実験では,モデルの望ましい特性と,9ノード分類タスクのベースライン上での大幅な性能向上について検討した。
  論文  参考訳（メタデータ） (2020-08-20T08:45:16Z)

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。