論文の概要: Reservoir-Based Graph Convolutional Networks

• arxiv url: http://arxiv.org/abs/2603.24131v1
• Date: Wed, 25 Mar 2026 09:50:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.234097
• Title: Reservoir-Based Graph Convolutional Networks
• Title（参考訳）: 貯留層に基づくグラフ畳み込みネットワーク
• Authors: Mayssa Soussia, Gita Ayu Salsabila, Mohamed Ali Mahjoub, Islem Rekik,
• Abstract要約: RGC-Net(Reservoir-based Graph Convolutional Network)を提案する。 RGC-Netは、脳グラフの進化を含む分類および生成タスクにおける最先端のパフォーマンスを実現し、より高速な収束とオーバースムーシングの削減を実現している。
• 参考スコア（独自算出の注目度）: 9.230324850974378
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Message passing is a core mechanism in Graph Neural Networks (GNNs), enabling the iterative update of node embeddings by aggregating information from neighboring nodes. Graph Convolutional Networks (GCNs) exemplify this approach by adapting convolutional operations for graph structures, allowing features from adjacent nodes to be combined effectively. However, GCNs encounter challenges with complex or dynamic data. Capturing long-range dependencies often requires deeper layers, which not only increase computational costs but also lead to over-smoothing, where node embeddings become indistinguishable. To overcome these challenges, reservoir computing has been integrated into GNNs, leveraging iterative message-passing dynamics for stable information propagation without extensive parameter tuning. Despite its promise, existing reservoir-based models lack structured convolutional mechanisms, limiting their ability to accurately aggregate multi-hop neighborhood information. To address these limitations, we propose RGC-Net (Reservoir-based Graph Convolutional Network), which integrates reservoir dynamics with structured graph convolution. Key contributions include: (i) a reimagined convolutional framework with fixed random reservoir weights and a leaky integrator to enhance feature retention; (ii) a robust, adaptable model for graph classification; and (iii) an RGC-Net-powered transformer for graph generation with application to dynamic brain connectivity. Extensive experiments show that RGC-Net achieves state-of-the-art performance in classification and generative tasks, including brain graph evolution, with faster convergence and reduced over-smoothing. Source code is available at https://github.com/basiralab/RGC-Net .
• Abstract（参考訳）: メッセージパッシングはグラフニューラルネットワーク(GNN)の中核的なメカニズムであり、近隣ノードからの情報を集約することで、ノード埋め込みの反復的な更新を可能にする。 グラフ畳み込みネットワーク(GCN)は、グラフ構造に対する畳み込み演算を適応させることでこのアプローチを実証し、隣接ノードの機能を効果的に組み合わせることを可能にする。 しかし、GCNは複雑なデータや動的なデータに直面する。 長い範囲の依存関係をキャプチャするには、計算コストを増大させるだけでなく、ノードの埋め込みが区別できないようなオーバースムーシングにつながる、より深いレイヤが必要になることが多い。 これらの課題を克服するため、貯水池計算はGNNに統合され、広範囲なパラメータチューニングなしで安定した情報伝達に反復的メッセージパッシングのダイナミクスを活用する。 その約束にもかかわらず、既存の貯水池ベースのモデルは構造的な畳み込み機構を欠き、マルチホップ近隣情報を正確に集約する能力を制限する。 これらの制約に対処するため、構造化グラフ畳み込みと貯水池力学を統合したRCC-Net(Reservoir-based Graph Convolutional Network)を提案する。 主な貢献は以下の通り。 一 固定されたランダム貯水池の重量と特徴保持性を高めるための漏洩積分器を備えた再生畳み込みの枠組み (ii)グラフ分類のための頑健で適応可能なモデル、及び 3) RGC-Net を用いたグラフ生成用トランスフォーマと動的脳波接続への応用 広範囲にわたる実験により、RCC-Netは脳グラフの進化を含む分類および生成タスクにおける最先端のパフォーマンスを達成し、より高速な収束と過度な平滑化を実現している。 ソースコードはhttps://github.com/basiralab/RGC-Net で公開されている。

関連論文リスト

• Parallelizing Node-Level Explainability in Graph Neural Networks [0.3262230127283452]
  グラフニューラルネットワーク(GNN)は、幅広いタスクにおいて顕著なパフォーマンスを示している。 ノード分類において、ノードレベルの説明可能性は非常に時間がかかり、グラフのサイズが大きくなる。 本稿では,グラフ分割によるGNNにおけるノードレベルの説明可能性の並列化手法を提案する。
  論文  参考訳（メタデータ） (2026-01-08T10:39:48Z)
• GraphTreeGen: Subtree-Centric Approach to Efficient and Supervised Graph Generation [6.138671548064356]
  GraphTreeGen(GTG)は、効率的な正確なコネクトーム合成のためのサブツリー中心の生成フレームワークである。 GTGはそれぞれのコネクトームをエントロピー誘導のkホップ木に分解し、情報的局所構造を捉える。 モジュラー設計により、超解像とクロスモダリティ合成を接続できる。
  論文  参考訳（メタデータ） (2025-08-13T11:02:38Z)
• ScaleGNN: Towards Scalable Graph Neural Networks via Adaptive High-order Neighboring Feature Fusion [73.85920403511706]
  スケーラブルで効果的なグラフ学習のためのマルチホップノード機能を適応的に融合する新しいフレームワークであるScaleGNNを提案する。 予測精度と計算効率の両面で,ScaleGNNは最先端のGNNよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2025-04-22T14:05:11Z)
• RGL: A Graph-Centric, Modular Framework for Efficient Retrieval-Augmented Generation on Graphs [58.10503898336799]
  完全なRAGパイプラインをシームレスに統合するモジュラーフレームワークであるRAG-on-Graphs Library(RGL)を紹介した。 RGLは、さまざまなグラフフォーマットをサポートし、必須コンポーネントの最適化実装を統合することで、重要な課題に対処する。 評価の結果,RGLはプロトタイピングプロセスの高速化だけでなく,グラフベースRAGシステムの性能や適用性の向上も図っている。
  論文  参考訳（メタデータ） (2025-03-25T03:21:48Z)
• Efficient Topology-aware Data Augmentation for High-Degree Graph Neural Networks [2.7523980737007414]
  高次グラフ(HDG)上のグラフニューラルネットワーク(GNN)のための効率的かつ効果的なフロントマウントデータ拡張フレームワークであるTADを提案する。 内部では、(i)構造埋め込みによる機能拡張と(ii)トポロジと属性対応グラフのスパース化という、2つの重要なモジュールが含まれている。 TADAは、ノード分類の観点から8つの実ホモ親和性/ヘテロ親和性HDG上でのメインストリームGNNモデルの予測性能を大幅に改善する。
  論文  参考訳（メタデータ） (2024-06-08T14:14:19Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph Wavelets [81.63035727821145]
  スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。 本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-03T17:57:53Z)
• Lightweight, Dynamic Graph Convolutional Networks for AMR-to-Text Generation [56.73834525802723]
  軽量な動的グラフ畳み込みネットワーク (LDGCN) を提案する。 LDGCNは入力グラフから高次情報を合成することにより、よりリッチな非局所的な相互作用をキャプチャする。 我々は,グループグラフの畳み込みと重み付き畳み込みに基づく2つの新しいパラメータ保存戦略を開発し,メモリ使用量とモデル複雑性を低減する。
  論文  参考訳（メタデータ） (2020-10-09T06:03:46Z)

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。