Fugu-MT 論文翻訳(概要): Geometric Evolution Graph Convolutional Networks: Enhancing Graph Representation Learning via Ricci Flow

論文の概要: Geometric Evolution Graph Convolutional Networks: Enhancing Graph Representation Learning via Ricci Flow

arxiv url: http://arxiv.org/abs/2603.26178v1
Date: Fri, 27 Mar 2026 08:49:40 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-30 21:49:48.407161
Title: Geometric Evolution Graph Convolutional Networks: Enhancing Graph Representation Learning via Ricci Flow
Title（参考訳）: 幾何学的進化グラフ畳み込みネットワーク:リッチフローによるグラフ表現学習の強化
Authors: Jicheng Ma, Yunyan Yang, Juan Zhao, Liang Zhao,
Abstract要約: グラフ上の幾何学的進化をモデル化することによってグラフ表現学習を強化する新しいフレームワークであるGeometric Evolution Graph Convolutional Network (GEGCN)を紹介する。 GEGCNは、様々なベンチマークデータセットにわたる分類タスクの最先端のパフォーマンスを実現しており、その性能はヘテロ親和性グラフで特に顕著である。
参考スコア（独自算出の注目度）: 5.654231595528226
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce the Geometric Evolution Graph Convolutional Network (GEGCN), a novel framework that enhances graph representation learning by modeling geometric evolution on graphs. Specifically, GEGCN employs a Long Short-Term Memory to model the structural sequence generated by discrete Ricci flow, and the learned dynamic representations are infused into a Graph Convolutional Network. Extensive experiments demonstrate that GEGCN achieves state-of-the-art performance on classification tasks across various benchmark datasets, with its performance being particularly outstanding on heterophilic graphs.
Abstract（参考訳）: グラフ上の幾何学的進化をモデル化することによってグラフ表現学習を強化する新しいフレームワークであるGeometric Evolution Graph Convolutional Network (GEGCN)を紹介する。具体的には、GEGCNはLong Short-Term Memoryを使用して離散リッチフローによって生成された構造シーケンスをモデル化し、学習された動的表現をグラフ畳み込みネットワークに注入する。大規模な実験により、GEGCNは様々なベンチマークデータセットにわたる分類タスクの最先端のパフォーマンスを達成し、その性能はヘテロ親和性グラフで特に顕著である。

関連論文リスト

Overcoming Order in Autoregressive Graph Generation [12.351817671944515]
グラフ生成は、化学やソーシャルネットワークなど、さまざまな領域における基本的な問題である。近年の研究では、リカレントニューラルネットワーク(RNN)を用いた分子グラフ生成が、従来の生成手法と比較して有利であることが示されている。
論文参考訳（メタデータ） (2024-02-04T09:58:22Z)
Tensor Graph Convolutional Network for Dynamic Graph Representation Learning [12.884025972321316]
動的グラフ(DG)は、多くの現実的なシナリオにおけるエンティティ間の動的相互作用を記述する。既存のDG表現学習モデルの多くは、グラフ畳み込みネットワークとシーケンスニューラルネットワークを組み合わせている。 1つの畳み込みフレームワークでDG表現を学習するためのテンソ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） (2024-01-13T12:49:56Z)
Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文参考訳（メタデータ） (2022-05-19T14:08:15Z)
Hyperbolic Graph Neural Networks: A Review of Methods and Applications [61.49208407567829]
本稿では,ハイパボリックグラフ学習(HGL)の急速な発展分野を概観する。我々は,(1)ハイパーボリックグラフ埋め込みに基づく手法,(2)グラフニューラルネットワークに基づくハイパーボリックモデル,(3)新興パラダイムに分割した既存手法を体系的に分類し,解析した。我々は、推薦システム、知識グラフ、バイオインフォマティクス、その他の関連するシナリオを含む、複数のドメインにわたるHGLの多様な応用について幅広く論じる。
論文参考訳（メタデータ） (2022-02-28T15:08:48Z)
Learning Connectivity with Graph Convolutional Networks for Skeleton-based Action Recognition [14.924672048447338]
グラフのトポロジ特性を学習するグラフ畳み込みネットワークのための新しいフレームワークを提案する。本手法の設計原理は制約対象関数の最適化に基づいている。骨格に基づく行動認識の課題に対して行った実験は,提案手法の優位性を示している。
論文参考訳（メタデータ） (2021-12-06T19:43:26Z)
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)
Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文参考訳（メタデータ） (2020-10-06T01:20:27Z)
Temporal Graph Networks for Deep Learning on Dynamic Graphs [4.5158585619109495]
時系列グラフネットワーク(TGN)は,時系列イベントのシーケンスとして表される動的グラフの深層学習のための汎用的で効率的なフレームワークである。メモリモジュールとグラフベースの演算子を組み合わせた新しい組み合わせにより、TGNは、計算効率が向上した以前のアプローチを大幅に上回ることができる。
論文参考訳（メタデータ） (2020-06-18T16:06:18Z)
K-Core based Temporal Graph Convolutional Network for Dynamic Graphs [19.237377882738063]
動的グラフのノード表現を学習するために,新しいk-coreベースの時間グラフ畳み込みネットワークであるCTGCNを提案する。従来の動的グラフ埋め込み法とは対照的に、CTGCNは局所的な連結近接と大域的な構造的類似性の両方を保存できる。 7つの実世界のグラフに対する実験結果から、CTGCNは既存の最先端グラフの埋め込み方法よりもいくつかのタスクで優れていることが示された。
論文参考訳（メタデータ） (2020-03-22T14:15:27Z)
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。