論文の概要: VSAL: A Vision Solver with Adaptive Layouts for Graph Property Detection

• arxiv url: http://arxiv.org/abs/2602.13880v1
• Date: Sat, 14 Feb 2026 20:44:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:28.538103
• Title: VSAL: A Vision Solver with Adaptive Layouts for Graph Property Detection
• Title（参考訳）: VSAL: グラフプロパティ検出のための適応レイアウト付きビジョンソルバー
• Authors: Jiahao Xie, Guangmo Tong,
• Abstract要約: VSALは、個々のインスタンスに適したグラフ視覚化を動的に生成できる適応レイアウト生成器を組み込んだビジョンベースのフレームワークである。 VSALは、ハミルトンサイクル、平面性、爪なし、木検出などの様々なタスクにおいて、最先端のビジョンベースの手法より優れている。
• 参考スコア（独自算出の注目度）: 10.21556794551883
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph property detection aims to determine whether a graph exhibits certain structural properties, such as being Hamiltonian. Recently, learning-based approaches have shown great promise by leveraging data-driven models to detect graph properties efficiently. In particular, vision-based methods offer a visually intuitive solution by processing the visualizations of graphs. However, existing vision-based methods rely on fixed visual graph layouts, and therefore, the expressiveness of their pipeline is restricted. To overcome this limitation, we propose VSAL, a vision-based framework that incorporates an adaptive layout generator capable of dynamically producing informative graph visualizations tailored to individual instances, thereby improving graph property detection. Extensive experiments demonstrate that VSAL outperforms state-of-the-art vision-based methods on various tasks such as Hamiltonian cycle, planarity, claw-freeness, and tree detection.
• Abstract（参考訳）: グラフ特性検出は、グラフがハミルトニアンのような特定の構造的性質を示すかどうかを決定することを目的としている。 近年、学習に基づくアプローチは、データ駆動モデルを利用してグラフ特性を効率的に検出することで大きな可能性を秘めている。 特に、視覚に基づく手法は、グラフの視覚化を処理することで視覚的に直感的な解決策を提供する。 しかし、既存の視覚ベースの手法は、固定されたビジュアルグラフレイアウトに依存しており、パイプラインの表現性は制限されている。 この制限を克服するために、個別のインスタンスに適した情報グラフ視覚化を動的に生成できる適応型レイアウト生成器を組み込んだ視覚ベースのフレームワークであるVSALを提案する。 大規模な実験により、VSALはハミルトンサイクル、平面性、爪なし、木検出などの様々なタスクにおいて、最先端のビジョンベースの手法より優れていることが示された。

関連論文リスト

• See or Say Graphs: Agent-Driven Scalable Graph Understanding with Vision-Language Models [34.29171455515379]
  本稿では,グラフ理解におけるスケーラビリティとモダリティの協調性を両立する統合フレームワークを提案する。 スケーラビリティのため、GraphVistaはグラフ情報を階層的に軽量なGraphRAGベースに整理する。 モダリティ調整のために、GraphVistaはタスクを最も適切なモダリティにルーティングする計画エージェントを導入した。
  論文  参考訳（メタデータ） (2025-10-19T09:20:44Z)
• Vision Graph Prompting via Semantic Low-Rank Decomposition [10.223578525761617]
  Vision GNN (ViG) は、画像をグラフ構造として表現することで、優れた性能を示す。 下流タスクにViGを効率的に適応させるためには、視覚的プロンプトのようなパラメータ効率の良い微調整技術がますます不可欠になっている。 視覚グラフ構造に適した新しいフレームワークであるビジョングラフプロンプティング(VGP)を提案する。
  論文  参考訳（メタデータ） (2025-05-07T04:29:29Z)
• RefChartQA: Grounding Visual Answer on Chart Images through Instruction Tuning [63.599057862999]
  RefChartQAは、Chart Question Answering(ChartQA)とビジュアルグラウンドを統合した、新しいベンチマークである。 実験により,グラウンド化による空間認識を取り入れることで,応答精度が15%以上向上することが実証された。
  論文  参考訳（メタデータ） (2025-03-29T15:50:08Z)
• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• VisGraphVar: A Benchmark Generator for Assessing Variability in Graph Analysis Using Large Vision-Language Models [1.597617022056624]
  LVLM(Large Vision-Language Models)は、抽象的な視覚タスクに取り組む能力がますます高まっている。 VisGraphVarは7つのタスクカテゴリのグラフ画像を生成することができる、カスタマイズ可能なベンチマークジェネレータである。 画像の視覚特性の変化(例えばノードのラベル付けやレイアウト)と視覚的不完全さの意図的な含意がモデルの性能に大きく影響することを示す。
  論文  参考訳（メタデータ） (2024-11-22T10:10:53Z)
• Control-based Graph Embeddings with Data Augmentation for Contrastive Learning [3.250579305400297]
  グラフ上に定義された動的ネットワークの制御特性を利用した教師なしグラフ表現学習の課題について検討する。 対照的な学習における重要なステップは、入力グラフから'拡張'グラフを作成することである。 本稿では,ネットワークの制御特性を活用して,これらの拡張グラフを生成するユニークな手法を提案する。
  論文  参考訳（メタデータ） (2024-03-07T22:14:04Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
  本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。 学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。 GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
  論文  参考訳（メタデータ） (2020-07-07T16:51:39Z)

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。