論文の概要: Evolutionary Algorithms for Generating Graphs Matching Desired Laplacian Spectra

• arxiv url: http://arxiv.org/abs/2603.28151v1
• Date: Mon, 30 Mar 2026 08:14:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.294655
• Title: Evolutionary Algorithms for Generating Graphs Matching Desired Laplacian Spectra
• Title（参考訳）: 遅延ラプラシアンスペクトルにマッチするグラフ生成のための進化的アルゴリズム
• Abstract要約: ラプラシアングラフスペクトル記述子に基づくグラフの進化への新たな進化的アプローチを提案する。 実験結果から,グラフの異なるクラスと幅広いラプラシアングラフスペクトルに対するアプローチが成功していることが示された。
• 参考スコア（独自算出の注目度）: 6.164863213336097
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graphs with diverse structural characteristics play a central role in modelling and optimization tasks. The ability to generate different types of graphs that exhibit shared properties is likewise essential for algorithm selection and configuration. However, constructing graphs that preserve high-level properties across a broad range of graph classes remains a challenging problem. We present a novel evolutionary approach to evolve graphs based on the Laplacian graph spectra descriptor. This descriptor can be used as part of a fitness function to evaluate graphs according to their desired high-level properties. Our evolutionary algorithm evolves graphs towards this descriptor in order to obtain graphs having properties that are consistent with it but are different from each other in terms of non-spectral graph metrics, such as path length, clustering coefficient and betweenness centrality. Our experimental results show that our approach is successful for different classes of graphs and a wide range of Laplacian graph spectra.
• Abstract（参考訳）: 多様な構造特性を持つグラフは、モデリングと最適化タスクにおいて中心的な役割を果たす。 共有プロパティを示す異なるタイプのグラフを生成する能力も、アルゴリズムの選択と設定に必要不可欠である。 しかし、幅広いグラフクラスにまたがって高レベルなプロパティを保持するグラフの構築は、依然として難しい問題である。 ラプラシアングラフスペクトル記述子に基づくグラフの進化への新たな進化的アプローチを提案する。 この記述子は、所望の高レベル特性に応じてグラフを評価するための適合関数の一部として使用することができる。 我々の進化的アルゴリズムは、この記述子に向けてグラフを進化させ、それと一致しているが、パス長、クラスタリング係数、間性中心性といった非スペクトルグラフの指標で異なる性質を持つグラフを得る。 実験結果から,グラフの異なるクラスと幅広いラプラシアングラフスペクトルに対するアプローチが成功していることが示された。

関連論文リスト

• Diversity Curves for Graph Representation Learning [21.35846278198515]
  粗いレベルのグラフの構造的多様性の追跡方法を示す。 結果として得られるグラフの埋め込みは、構成、効率的、直接的に比較して解釈できる。 我々は,その実用性を,実際にさまざまなベースライン手法で実証する。
  論文  参考訳（メタデータ） (2026-05-07T15:55:20Z)
• SWING: Unlocking Implicit Graph Representations for Graph Random Features [57.956136773668476]
  SWING: Space Walks for Implicit Network Graphsはグラフ上のグラフランダム特徴を含む計算アルゴリズムの新しいクラスである。 SWINGの詳細な解析を行い、様々なiグラフのクラスで徹底的な実験を行い、それを補完する。
  論文  参考訳（メタデータ） (2026-02-13T08:12:38Z)
• Training A Foundation Model to Represent Graphs as Vectors [24.592499205332413]
  本稿では,任意のグラフを意味情報を保存するベクトルとして表現できるグラフ基盤モデルを訓練することを目的とする。 提案モデルの有効性を裏付ける理論的な一般化を提供する。 数ショットのグラフ分類とグラフクラスタリングによる実験結果から,我々のモデルは強いベースラインよりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-02-04T06:06:28Z)
• Graph Classification Gaussian Processes via Spectral Features [7.474662887810221]
  グラフ分類は、その構造とノード属性に基づいてグラフを分類することを目的としている。 本研究では,スペクトル特徴を導出するグラフ信号処理ツールを用いて,この課題に取り組むことを提案する。 このような単純なアプローチであっても、学習されたパラメータがなくても、強力なニューラルネットワークやグラフカーネルのベースラインと比較して、競争力のあるパフォーマンスが得られることを示す。
  論文  参考訳（メタデータ） (2023-06-06T15:31:05Z)
• Renormalized Graph Representations for Node Classification [21.589472270424405]
  ノード分類作業における粗いグラフ分解能の相違による影響を解析する。 グラフのメソスコピック構造の特徴スケールでの表現を特に実験する。 その結果,元のグラフと特徴的スケールグラフの両方にアクセス可能なモデルでは,統計的に有意な精度の向上が得られた。
  論文  参考訳（メタデータ） (2023-06-01T14:16:43Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• Demystifying Graph Convolution with a Simple Concatenation [6.542119695695405]
  グラフトポロジ、ノード特徴、ラベル間の重なり合う情報を定量化する。 グラフの畳み込みは、グラフの畳み込みに代わる単純だが柔軟な代替手段であることを示す。
  論文  参考訳（メタデータ） (2022-07-18T16:39:33Z)
• Line Graph Neural Networks for Link Prediction [71.00689542259052]
  実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。 このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。 本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。 特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
  論文  参考訳（メタデータ） (2020-10-20T05:54:31Z)
• Dirichlet Graph Variational Autoencoder [65.94744123832338]
  本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。 バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
  論文  参考訳（メタデータ） (2020-10-09T07:35:26Z)
• Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
  グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。 標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。 総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-08T19:48:19Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)

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。