論文の概要: Low-Complexity and Consistent Graphon Estimation from Multiple Networks
- arxiv url: http://arxiv.org/abs/2603.15578v1
- Date: Mon, 16 Mar 2026 17:41:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-17 18:28:58.704328
- Title: Low-Complexity and Consistent Graphon Estimation from Multiple Networks
- Title（参考訳）: 複数ネットワークからの低複雑かつ一貫性のあるグラフオン推定
- Authors: Roland Boniface Sogan, Tabea Rebafka,
- Abstract要約: アルゴリズムの複雑さの低い新しいヒストグラムベースの推定器を導入し、全てのグラフのノードを協調的に整列させることにより高精度な推定を行う。
数値的な研究により,提案手法の精度は既存の推定手法よりも優れており,特にデータセットが小型かつ可変サイズのネットワークで構成されている場合の方が優れていることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recovering the random graph model from an observed collection of networks is known to present significant challenges in the setting, where the networks do not share a common node set and have different sizes. More specifically, the goal is the estimation of the graphon function that parametrizes the nonparametric exchangeable random graph model. Existing methods typically suffer from either limited accuracy or high computational complexity. We introduce a new histogram-based estimator with low algorithmic complexity that achieves high accuracy by jointly aligning the nodes of all graphs, in contrast to most conventional methods that order nodes graph by graph. Consistency results of the proposed graphon estimator are established. A numerical study shows that the proposed estimator outperforms existing methods in terms of accuracy, especially when the dataset comprises only small and variable-size networks. Moreover, the computing time of the new method is considerably shorter than that of other consistent methodologies. Additionally, when applied to a graph neural network classification task, the proposed estimator enables more effective data augmentation, yielding improved performance across diverse real-world datasets.
- Abstract（参考訳）: 観測されたネットワークの集合からランダムグラフモデルを復元することは、ネットワークが共通のノードセットを共有しておらず、サイズが異なる設定において重大な課題を示すことが知られている。
具体的には、非パラメトリック交換可能なランダムグラフモデルをパラメトリズするグラモン関数の推定が目的である。
既存の手法は通常、限られた精度または高い計算複雑性に悩まされる。
グラフでグラフを並べる従来の手法とは対照的に,全てのグラフのノードを協調的に整列させることにより,アルゴリズムの複雑さの低い新しいヒストグラムベースの推定器を導入する。
提案したグラフトン推定器の整合性について検討した。
数値的な研究により,提案手法の精度は既存の推定手法よりも優れており,特にデータセットが小型かつ可変サイズのネットワークで構成されている場合の方が優れていることがわかった。
さらに、新しい手法の計算時間は、他の一貫した手法よりもかなり短い。
さらに、グラフニューラルネットワーク分類タスクに適用すると、提案した推定器により、より効率的なデータ拡張が可能になり、さまざまな実世界のデータセットのパフォーマンスが向上する。
関連論文リスト
- A Few Moments Please: Scalable Graphon Learning via Moment Matching [32.65958390286061]
本稿では,モーメントマッチングによるグラフオンを直接復元する,スケーラブルなグラフオン推定器を提案する。
また、モーメントマイクアップ(MomentMixup)というデータ拡張技術を導入し、モーメント空間でミキサアップを行い、グラファイトベースの学習を強化する。
論文 参考訳（メタデータ） (2025-06-04T17:51:01Z) - Learning to quantify graph nodes [46.866048990643066]
ネットワーク量子化は、グラフノードのラベルなし部分集合のクラス比率を推定する問題である。
我々は、教師なしノード埋め込みの柔軟性と効率を相乗化する新しい方法であるXNQを紹介する。
広範に評価した結果,これまで最高のネットワーク量子化手法において,我々のアプローチは一貫して,大幅に改善されていることがわかった。
論文 参考訳（メタデータ） (2025-03-19T14:43:12Z) - Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。
提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文 参考訳（メタデータ） (2024-01-12T17:57:07Z) - Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。
最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。
我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
論文 参考訳（メタデータ） (2023-10-23T01:25:44Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-06-14T09:21:15Z) - Joint Network Topology Inference via a Shared Graphon Model [24.077455621015552]
観測結果から複数のネットワークのトポロジを推定する問題を考察する。
これは非パラメトリックなモデルであり、潜在的に異なるサイズのグラフを描画することができる。
論文 参考訳（メタデータ） (2022-09-17T02:38:58Z) - 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) - Graphon-aided Joint Estimation of Multiple Graphs [24.077455621015552]
観測結果から複数のネットワークのトポロジを推定する問題を考察する。
これは非パラメトリックなモデルであり、潜在的に異なるサイズのグラフを描画することができる。
論文 参考訳（メタデータ） (2022-02-11T15:20:44Z) - 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。