論文の概要: Position: Spectral GNNs Are Neither Spectral Nor Superior for Node Classification

• arxiv url: http://arxiv.org/abs/2603.19091v1
• Date: Thu, 19 Mar 2026 16:17:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.258215
• Title: Position: Spectral GNNs Are Neither Spectral Nor Superior for Node Classification
• Title（参考訳）: 位置: スペクトルGNNは、ノード分類のためのスペクトルではない
• Authors: Qin Jiang, Chengjia Wang, Michael Lones, Dongdong Chen, Wei Pang,
• Abstract要約: ノード分類のためのスペクトルグラフニューラルネットワーク(スペクトルGNN)は、グラフ上の周波数領域フィルタリングを約束する。 最近の研究は、グラフラプラシア固有ベクトルが一般に真のフーリエ基底の重要な性質を持たないことを示している。 本稿では、ノード分類において、スペクトルGNNはグラフスペクトルを有意に捉えたり、性能を確実に向上させたりしない。
• 参考スコア（独自算出の注目度）: 10.36868472818283
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spectral Graph Neural Networks (Spectral GNNs) for node classification promise frequency-domain filtering on graphs, yet rest on flawed foundations. Recent work shows that graph Laplacian eigenvectors do not in general have the key properties of a true Fourier basis, but leaves the empirical success of Spectral GNNs unexplained. We identify two theoretical glitches: (1) commonly used "graph Fourier bases" are not classical Fourier bases for graph signals; (2) (n-1)-degree polynomials (n = number of nodes) can exactly interpolate any spectral response via a Vandermonde system, so the usual "polynomial approximation" narrative is not theoretically justified. The effectiveness of GCN is commonly attributed to spectral low-pass filtering, yet we prove that low- and high-pass behaviors arise solely from message-passing dynamics rather than Graph Fourier Transform-based spectral formulations. We then analyze two representative directed spectral models, MagNet and HoloNet. Their reported effectiveness is not spectral: it arises from implementation issues that reduce them to powerful MPNNs. When implemented consistently with the claimed spectral algorithms, performance becomes weak. This position paper argues that: for node classification, Spectral GNNs neither meaningfully capture the graph spectrum nor reliably improve performance; competitive results are better explained by their equivalence to MPNNs, sometimes aided by implementations inconsistent with their intended design.
• Abstract（参考訳）: ノード分類のためのスペクトルグラフニューラルネットワーク(スペクトルGNN)は、グラフ上の周波数領域フィルタリングを約束するが、欠陥のある基礎に依存している。 最近の研究は、グラフラプラシアン固有ベクトルが一般に真のフーリエ基底の重要な性質を持たないことを示しているが、スペクトル GNN の実証的な成功は説明されていない。 1)「グラフフーリエ基底」はグラフ信号の古典的フーリエ基底ではなく、(2)(n-1)-次多項式(n = ノード数)はヴァンダーモンド系を介して任意のスペクトル応答を正確に補間できるので、通常の「多項式近似」の物語は理論的に正当化されない。 GCNの有効性は、一般にスペクトル低域フィルタリングによるものであるが、低域および高域の動作は、グラフフーリエ変換に基づくスペクトル定式化ではなく、メッセージ通過ダイナミクスによるものであることを証明している。 次に、MagNetとHoloNetの2つの代表的なスペクトルモデルを分析する。 報告された有効性はスペクトルではなく、強力なMPNNに還元する実装上の問題から生じる。 要求されるスペクトルアルゴリズムと一貫して実装すると、性能は低下する。 ノード分類では、スペクトルGNNはグラフスペクトルを有意に捉えたり、性能を確実に改善したりしない。

関連論文リスト

• Spectral Graph Neural Networks are Incomplete on Graphs with a Simple Spectrum [17.27380476408333]
  スペクトル機能は、その表現力を改善するために、グラフニューラルネットワーク(GNN)に広く組み込まれている。 簡単なスペクトルグラフ上でSGNNの表現性を向上する手法を提案する。
  論文  参考訳（メタデータ） (2025-06-05T19:26:29Z)
• GrassNet: State Space Model Meets Graph Neural Network [57.62885438406724]
  Graph State Space Network (GrassNet)は、任意のグラフスペクトルフィルタを設計するためのシンプルで効果的なスキームを提供する理論的なサポートを持つ、新しいグラフニューラルネットワークである。 我々の知る限り、我々の研究はグラフGNNスペクトルフィルタの設計にSSMを使った最初のものである。 9つの公開ベンチマークでの大規模な実験により、GrassNetは現実世界のグラフモデリングタスクにおいて優れたパフォーマンスを達成することが明らかになった。
  論文  参考訳（メタデータ） (2024-08-16T07:33:58Z)
• A Manifold Perspective on the Statistical Generalization of Graph Neural Networks [84.01980526069075]
  我々は、スペクトル領域の多様体からサンプリングされたグラフ上のGNNの統計的一般化理論を確立するために多様体の視点を取る。 我々はGNNの一般化境界が対数スケールのグラフのサイズとともに線形に減少し、フィルタ関数のスペクトル連続定数とともに線形的に増加することを証明した。
  論文  参考訳（メタデータ） (2024-06-07T19:25:02Z)
• Spatio-Spectral Graph Neural Networks [50.277959544420455]
  比スペクトルグラフネットワーク(S$2$GNN)を提案する。 S$2$GNNは空間的およびスペクトル的にパラメータ化されたグラフフィルタを組み合わせる。 S$2$GNNsは、MPGNNsよりも厳密な近似理論誤差境界を生じる。
  論文  参考訳（メタデータ） (2024-05-29T14:28:08Z)
• Specformer: Spectral Graph Neural Networks Meet Transformers [51.644312964537356]
  スペクトルグラフニューラルネットワーク(GNN)は、スペクトル領域グラフ畳み込みを通じてグラフ表現を学習する。 本稿では、全ての固有値の集合を効果的に符号化し、スペクトル領域で自己アテンションを行うSpecformerを紹介する。 複数のSpecformerレイヤを積み重ねることで、強力なスペクトルGNNを構築することができる。
  論文  参考訳（メタデータ） (2023-03-02T07:36:23Z)
• How Powerful are Spectral Graph Neural Networks [9.594432031144715]
  スペクトルグラフニューラルネットワーク(Spectral Graph Neural Network)は、グラフ信号フィルタに基づくグラフニューラルネットワークの一種である。 まず、非線形性のないスペクトルGNNでさえ任意のグラフ信号を生成することを証明した。 また、スペクトルGNNの表現力とグラフアイソモーフィズム(GI)テストの関連性を確立する。
  論文  参考訳（メタデータ） (2022-05-23T10:22:12Z)
• When Does A Spectral Graph Neural Network Fail in Node Classification? [10.177243505636692]
  本稿では,スペクトルGNNの性能に関する理論的解析を行い,その予測誤差について検討する。 ラベル差に対する応答効率の低いグラフフィルタは失敗しがちであることを示す。
  論文  参考訳（メタデータ） (2022-02-16T07:18:17Z)

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。