論文の概要: Multimodal Graph Representation Learning with Dynamic Information Pathways

• arxiv url: http://arxiv.org/abs/2603.09258v1
• Date: Tue, 10 Mar 2026 06:45:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-11 15:25:24.105608
• Title: Multimodal Graph Representation Learning with Dynamic Information Pathways
• Title（参考訳）: 動的情報経路を用いたマルチモーダルグラフ表現学習
• Abstract要約: 動的情報経路(DiP)を用いた新しいマルチモーダルグラフ表現学習フレームワークを提案する。 DiPは近接誘導擬似ノード相互作用による各モード内の動的メッセージルーティングを可能にする。 複数のベンチマークの実験では、DiPがベースラインを一貫して上回っていることが示されている。
• 参考スコア（独自算出の注目度）: 12.019248723233673
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multimodal graphs, where nodes contain heterogeneous features such as images and text, are increasingly common in real-world applications. Effectively learning on such graphs requires both adaptive intra-modal message passing and efficient inter-modal aggregation. However, most existing approaches to multimodal graph learning are typically extended from conventional graph neural networks and rely on static structures or dense attention, which limit flexibility and expressive node embedding learning. In this paper, we propose a novel multimodal graph representation learning framework with Dynamic information Pathways (DiP). By introducing modality-specific pseudo nodes, DiP enables dynamic message routing within each modality via proximity-guided pseudo-node interactions and captures inter-modality dependence through efficient information pathways in a shared state space. This design achieves adaptive, expressive, and sparse message propagation across modalities with linear complexity. We conduct the link prediction and node classification tasks to evaluate performance and carry out full experimental analyses. Extensive experiments across multiple benchmarks demonstrate that DiP consistently outperforms baselines.
• Abstract（参考訳）: ノードが画像やテキストなどの異質な特徴を含むマルチモーダルグラフは、現実のアプリケーションではますます一般的になっている。 このようなグラフを効果的に学習するには、適応的なモーダル内メッセージパッシングと効率的なモーダル間アグリゲーションの両方が必要である。 しかし、既存のマルチモーダルグラフ学習のアプローチは、通常、従来のグラフニューラルネットワークから拡張され、静的構造や高密度な注意に依存し、柔軟性と表現力のあるノード埋め込み学習を制限する。 本稿では,動的情報経路(DiP)を用いた新しいマルチモーダルグラフ表現学習フレームワークを提案する。 モーダリティ固有の擬似ノードを導入することで、DiPは近接誘導擬似ノード相互作用を通じて各モーダリティ内の動的メッセージルーティングを可能にし、共有状態空間内の効率的な情報経路を介してモーダリティ間の依存をキャプチャする。 この設計は, 線形複雑度を有するモーダルをまたいだ適応的, 表現的, スパースなメッセージ伝搬を実現する。 リンク予測とノード分類タスクを行い、性能を評価し、完全な実験分析を行う。 複数のベンチマークにわたる大規模な実験は、DiPがベースラインを一貫して上回っていることを示している。

関連論文リスト

• ReCoG: Reciprocal Co-Evolution for Multimodal Graph Learning [9.030717765733398]
  マルチモーダルグラフ学習では、グラフ構造と不均一なノード属性を共同でトレーニングする必要がある。 本稿では,グラフ構造学習とマルチモーダル表現学習を密結合した新しい学習パラダイムReCoGを提案する。 本研究は,構造と意味の相互共進化が,効果的なマルチモーダルグラフ学習に重要であることを示す。
  論文  参考訳（メタデータ） (2026-08-24T04:16:13Z)
• TMTE: Effective Multimodal Graph Learning with Task-aware Modality and Topology Co-evolution [12.027339810975079]
  Task-Aware Modality and Topology co-Evolution (TMTE)は、グラフトポロジとマルチモーダル表現を協調的に目標タスクに向けて最適化する新しいMGLフレームワークである。 TMTEは、6つのグラフ中心およびモダリティ中心のタスクにまたがる最先端のパフォーマンスを一貫して達成する。
  論文  参考訳（メタデータ） (2026-03-29T14:54:59Z)
• Topology Identification and Inference over Graphs [61.06365536861156]
  グラフ上で進化するプロセスのトポロジの同定と推論は、脳、輸送、金融、電力、および社会的および情報ネットワークを含むタイムリーな応用に現れる。 本章では,多次元データに対するグラフトポロジ同定と統計的推測手法の概要について述べる。
  論文  参考訳（メタデータ） (2025-12-11T00:47:09Z)
• Rel-HNN: Split Parallel Hypergraph Neural Network for Learning on Relational Databases [3.6423651166048874]
  データベースのフラット化は、ディープラーニングモデルに課題をもたらす。 我々はrel-HNNと呼ばれる新しいハイパーグラフベースのフレームワークを提案する。 rel-HNNは,分類タスクと回帰タスクの両方において,既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-07-16T18:20:45Z)
• Depth-Adaptive Graph Neural Networks via Learnable Bakry-'Emery Curvature [7.2716257100195385]
  グラフニューラルネットワーク(GNN)は、グラフベースのタスクに対して強力な表現学習能力を示す。 GNNの最近の進歩は、曲率などの幾何学的性質を活用して表現能力を向上している。 本稿では,情報伝達における構造的側面とタスク駆動的側面の両方を捉えたBakry-'Emery曲率の統合を提案する。
  論文  参考訳（メタデータ） (2025-03-03T00:48:41Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)
• Joint Demand Prediction for Multimodal Systems: A Multi-task Multi-relational Spatiotemporal Graph Neural Network Approach [7.481812882780837]
  本研究では,マルチモーダル需要予測のためのマルチリレーショナルグラフニューラルネットワーク(MRGNN)を提案する。 マルチリレーショナルグラフニューラルネットワーク(MRGNN)を導入し,異種空間依存性を捉える。 実験はニューヨーク市の実際のデータセットを用いて行われる。
  論文  参考訳（メタデータ） (2021-12-15T12:35:35Z)
• Geometric Multimodal Deep Learning with Multi-Scaled Graph Wavelet Convolutional Network [21.06669693699965]
  マルチモーダルデータは、非常に異なる統計特性を持つ様々な領域のデータを統合することで、自然現象に関する情報を提供する。 マルチモーダルデータのモダリティ内およびモダリティ間情報の取得は,マルチモーダル学習法の基本的能力である。 非ユークリッド領域にディープラーニング手法を一般化することは、新たな研究分野である。
  論文  参考訳（メタデータ） (2021-11-26T08:41:51Z)
• Uniting Heterogeneity, Inductiveness, and Efficiency for Graph Representation Learning [68.97378785686723]
  グラフニューラルネットワーク(GNN)は,グラフ上のノード表現学習の性能を大幅に向上させた。 GNNの過半数クラスは均質グラフのためにのみ設計されており、より有益な異種グラフに劣る適応性をもたらす。 本稿では,低次ノードと高次ノードの両方のエッジに付随するヘテロジニアスなノード特徴をパッケージ化する,新しい帰納的メタパスフリーメッセージパッシング方式を提案する。
  論文  参考訳（メタデータ） (2021-04-04T23:31:39Z)
• Learning the Implicit Semantic Representation on Graph-Structured Data [57.670106959061634]
  グラフ畳み込みネットワークにおける既存の表現学習手法は主に、各ノードの近傍を知覚全体として記述することで設計される。 本稿では,グラフの潜在意味パスを学習することで暗黙的な意味を探索する意味グラフ畳み込みネットワーク(sgcn)を提案する。
  論文  参考訳（メタデータ） (2021-01-16T16:18:43Z)
• Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
  グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。 複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。 本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:03:06Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。