論文の概要: Geometric Mixture-of-Experts with Curvature-Guided Adaptive Routing for Graph Representation Learning

• arxiv url: http://arxiv.org/abs/2603.22317v1
• Date: Fri, 20 Mar 2026 06:09:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.054227
• Title: Geometric Mixture-of-Experts with Curvature-Guided Adaptive Routing for Graph Representation Learning
• Title（参考訳）: グラフ表現学習のための曲率誘導適応ルーティングを用いた幾何混合実験
• Authors: Haifang Cao, Yu Wang, Timing Li, Xinjie Yao, Pengfei Zhu,
• Abstract要約: マルチスケールなトポロジ構造に適合するGeoMoE(Geometric Mixture-of-Experts framework)を提案する。 具体的には、ノード固有の融合重み付けを割り当てるグラフ対応ゲーティングネットワークを設計し、解釈可能かつ幾何一貫性のあるルーティングを保証する。 6つのベンチマークデータセットの実験では、GeoMoEはさまざまなグラフタイプで最先端のベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 11.124702719919831
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph-structured data typically exhibits complex topological heterogeneity, making it difficult to model accurately within a single Riemannian manifold. While emerging mixed-curvature methods attempt to capture such diversity, they often rely on implicit, task-driven routing that lacks fundamental geometric grounding. To address this challenge, we propose a Geometric Mixture-of-Experts framework (GeoMoE) that adaptively fuses node representations across diverse Riemannian spaces to better accommodate multi-scale topological structures. At its core, GeoMoE leverages Ollivier-Ricci Curvature (ORC) as an intrinsic geometric prior to orchestrate the collaboration of specialized experts. Specifically, we design a graph-aware gating network that assigns node-specific fusion weights, regularized by a curvature-guided alignment loss to ensure interpretable and geometry-consistent routing. Additionally, we introduce a curvature-aware contrastive objective that promotes geometric discriminability by constructing positive and negative pairs according to curvature consistency. Extensive experiments on six benchmark datasets demonstrate that GeoMoE outperforms state-of-the-art baselines across diverse graph types.
• Abstract（参考訳）: グラフ構造化データは典型的には複素位相的不均一性を示し、単一のリーマン多様体内で正確にモデル化することは困難である。 混合曲率法はそのような多様性を捉えようとするが、基本的な幾何学的根拠を持たない暗黙的なタスク駆動のルーティングに依存していることが多い。 この課題に対処するため,多スケールなトポロジ構造に対応するために,様々なリーマン空間をまたいだノード表現を適応的に融合するGeoMoE(Geometric Mixture-of-Experts framework)を提案する。 中心となるGeoMoEは、Ollivier-Ricci Curvature (ORC) を専門専門家の協力を編成する前に固有の幾何学的手法として活用している。 具体的には、ノード固有の融合重みを割り当てるグラフ対応ゲーティングネットワークを設計し、曲率誘導アライメント損失によって正規化することにより、解釈可能かつ幾何整合的なルーティングを確保する。 さらに、曲率の整合性に応じて正対と負対を構成することにより、幾何学的識別性を促進する曲率を考慮したコントラスト目的を導入する。 6つのベンチマークデータセットに対する大規模な実験により、GeoMoEはさまざまなグラフタイプで最先端のベースラインを上回っていることが示された。

関連論文リスト

• GeoGNN: Quantifying and Mitigating Semantic Drift in Text-Attributed Graphs [59.61242815508687]
  テキスト分散グラフ(TAG)上のグラフニューラルネットワーク(GNN)は、事前訓練された言語モデル(PLM)を使用してノードテキストを符号化し、これらの埋め込みを線形近傍アグリゲーションを通じて伝播する。 本研究は,意味的ドリフトの度合いを計測する局所PCAベースの計量を導入し,異なる凝集機構が多様体構造にどのように影響するかを解析するための最初の定量的枠組みを提供する。
  論文  参考訳（メタデータ） (2025-11-12T06:48:43Z)
• Adaptive Riemannian Graph Neural Networks [29.859977834688625]
  グラフ上の連続および異方性計量テンソル場を学習する新しいフレームワークを導入する。 これにより各ノードがその最適な局所幾何学を決定でき、モデルがグラフの構造的景観に流動的に適応できる。 本手法は, ヘテロ親和性ベンチマークとホモ親和性ベンチマークの双方において, 優れた性能を示す。
  論文  参考訳（メタデータ） (2025-08-04T16:55:02Z)
• Follow the Energy, Find the Path: Riemannian Metrics from Energy-Based Models [63.331590876872944]
  本稿では,事前学習したエネルギーベースモデルから直接リーマン計量を導出する手法を提案する。 これらの測度は空間的に異なる距離を定義し、測地学の計算を可能にする。 EBM由来のメトリクスは、確立されたベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2025-05-23T12:18:08Z)
• GraphMoRE: Mitigating Topological Heterogeneity via Mixture of Riemannian Experts [13.701637246257707]
  実世界のグラフは本質的に複雑で多様なトポロジカルパターンを持ち、トポロジカル不均一性(topological heterogeneity)として知られている。 既存のほとんどの研究は、複雑な幾何学的形状と一致するには不十分な1つの定曲率空間でグラフ表現を学習し、結果として高い歪みを伴う低品質な埋め込みをもたらす。
  論文  参考訳（メタデータ） (2024-12-15T06:52:40Z)
• Score-based Pullback Riemannian Geometry: Extracting the Data Manifold Geometry using Anisotropic Flows [10.649159213723106]
  本稿では,データ駆動型リーマン幾何学のフレームワークを提案する。 提案手法は,データサポートを通した高品質な測地線を生成する。 これは、データ多様体の完全な幾何学を抽出する最初のスケーラブルなフレームワークである。
  論文  参考訳（メタデータ） (2024-10-02T18:52:12Z)
• GeoMix: Towards Geometry-Aware Data Augmentation [76.09914619612812]
  Mixupは画像分類におけるラベル付き限られたデータによる課題の緩和にかなりの成功を収めている。 In-place graph editing を利用した簡易かつ解釈可能な混合手法 Geometric Mixup (GeoMix) を提案する。
  論文  参考訳（メタデータ） (2024-07-15T12:58:04Z)
• Manifold Integrated Gradients: Riemannian Geometry for Feature Attribution [8.107199775668942]
  Integrated Gradients (IG)は、ブラックボックス深層学習モデルの一般的な特徴属性法である。 我々は、IGに関連する2つの主要な課題に対処する。ノイズの多い特徴可視化の生成と、敵の帰属攻撃に対する脆弱性である。 提案手法は,データ多様体の内在的幾何とより密接に関連し,経路に基づく特徴属性の適応を伴う。
  論文  参考訳（メタデータ） (2024-05-16T04:13:17Z)
• DeepRicci: Self-supervised Graph Structure-Feature Co-Refinement for Alleviating Over-squashing [72.70197960100677]
  グラフ構造学習(GSL)はグラフニューラルネットワーク(GNN)を改良したグラフで強化する上で重要な役割を果たしている。 GSLソリューションは、通常、タスク固有の監督(ノード分類)による構造改善に焦点を当てるか、GNN自体の固有の弱点を見落としている。 本稿では,典型的なGNNにおけるオーバー・スカッシングの問題を効果的に緩和する,自己教師付きグラフ構造-機能共分法について検討する。
  論文  参考訳（メタデータ） (2024-01-23T14:06:08Z)
• FMGNN: Fused Manifold Graph Neural Network [102.61136611255593]
  グラフ表現学習は、様々なグラフタスクにおいて広く研究され、効果が実証されている。 本稿では,異なるマニフォールドにグラフを埋め込む新しいGNNアーキテクチャであるFused Manifold Graph Neural Network (NN)を提案する。 提案実験により,NNはノード分類およびリンク予測タスクのベンチマークにおいて,強いベースラインよりも優れた性能が得られることを示した。
  論文  参考訳（メタデータ） (2023-04-03T15:38:53Z)
• Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
  本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-25T03:54:53Z)

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。