論文の概要: Random Wavelet Features for Graph Kernel Machines

• arxiv url: http://arxiv.org/abs/2602.15711v1
• Date: Tue, 17 Feb 2026 16:45:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 16:03:18.127609
• Title: Random Wavelet Features for Graph Kernel Machines
• Title（参考訳）: グラフカーネルマシンのランダムウェーブレット機能
• Authors: Valentin de Bassompierre, Jean-Charles Delvenne, Laurent Jacques,
• Abstract要約: 主要なゴールは、グラフによって誘導されるノード類似性の意義ある概念をドット製品が捉えたノード埋め込みを設計することである。 グラフカーネルはそのような類似性を定義するための原則的な方法を提供するが、大きなネットワークでは直接計算が禁止されることが多い。 ドット積が任意のグラフカーネルの低ランク近似を推定するランダム化スペクトルノード埋め込みを導入する。
• 参考スコア（独自算出の注目度）: 4.306374407145905
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Node embeddings map graph vertices into low-dimensional Euclidean spaces while preserving structural information. They are central to tasks such as node classification, link prediction, and signal reconstruction. A key goal is to design node embeddings whose dot products capture meaningful notions of node similarity induced by the graph. Graph kernels offer a principled way to define such similarities, but their direct computation is often prohibitive for large networks. Inspired by random feature methods for kernel approximation in Euclidean spaces, we introduce randomized spectral node embeddings whose dot products estimate a low-rank approximation of any specific graph kernel. We provide theoretical and empirical results showing that our embeddings achieve more accurate kernel approximations than existing methods, particularly for spectrally localized kernels. These results demonstrate the effectiveness of randomized spectral constructions for scalable and principled graph representation learning.
• Abstract（参考訳）: ノード埋め込みは、構造情報を保存しながら低次元ユークリッド空間に写像グラフ頂点を埋め込む。 それらはノード分類、リンク予測、信号再構成といったタスクの中心である。 主要なゴールは、グラフによって誘導されるノード類似性の意義ある概念をドット製品が捉えたノード埋め込みを設計することである。 グラフカーネルはそのような類似性を定義するための原則的な方法を提供するが、大きなネットワークでは直接計算が禁止されることが多い。 ユークリッド空間におけるカーネル近似のランダムな特徴法に着想を得て、ドット積が任意のグラフカーネルの低ランク近似を推定するランダム化スペクトルノード埋め込みを導入する。 我々は,既存の手法,特にスペクトル局在化カーネルよりも正確なカーネル近似を実現することを示す理論的,実証的な結果を提供する。 これらの結果は、スケーラブルで原理化されたグラフ表現学習におけるランダム化スペクトル構成の有効性を示す。

関連論文リスト

• Metric Graph Kernels via the Tropical Torelli Map [0.0]
  本稿では,熱帯代数幾何学を用いた計量グラフの研究を基礎とした新しいグラフカーネルを提案する。 我々のグラフカーネルは、基礎となる計量空間の幾何学と位相に基づいている。 経験的に、カーネルはラベルのない設定で既存のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2025-05-17T20:00:50Z)
• General Graph Random Features [42.75616308187867]
  重み付き隣接行列の任意の関数の偏りのない推定のためのランダムウォークに基づく新しいアルゴリズムを提案する。 提案アルゴリズムは, ノード数に関して, グラフカーネル評価の厳密な3次スケーリングを克服し, 準四次時間的複雑性を享受する。
  論文  参考訳（メタデータ） (2023-10-07T15:47:31Z)
• 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)
• Neighborhood Preserving Kernels for Attributed Graphs [0.9176056742068812]
  本稿では,属性グラフに適した再生カーネルの設計について述べる。 2つのグラフ間の類似性は、グラフノードの近傍情報に基づいて定義される。 提案したカーネルをサポートベクトルマシンに組み込むことで,実世界のデータセットを分析した。
  論文  参考訳（メタデータ） (2020-10-13T09:58:50Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Graph Neural Networks with Composite Kernels [60.81504431653264]
  カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
  論文  参考訳（メタデータ） (2020-05-16T04:44:29Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。