論文の概要: Improved large-scale graph learning through ridge spectral sparsification

• arxiv url: http://arxiv.org/abs/2604.20078v1
• Date: Wed, 22 Apr 2026 00:49:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:10.894183
• Title: Improved large-scale graph learning through ridge spectral sparsification
• Title（参考訳）: 尾根スペクトルスカラー化による大規模グラフ学習の改善
• Authors: Daniele Calandriello, Ioannis Koutis, Alessandro Lazaric, Michal Valko,
• Abstract要約: 分散ストリーミング環境におけるラプラシアンLの学習問題を考察する。 この設定では、L の分散表現を維持しながら、素早く、あるいはほぼ学習することは困難である。 本稿では, 有効抵抗の小さなサブセットを維持することにより, ラプラシアンを効率的に分散させる新しいアルゴリズムGSQUEAKを提案する。
• 参考スコア（独自算出の注目度）: 65.84577791298442
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph-based techniques and spectral graph theory have enriched the field of machine learning with a variety of critical advances. A central object in the analysis is the graph Laplacian L, which encodes the structure of the graph. We consider the problem of learning over this Laplacian in a distributed streaming setting, where new edges of the graph are observed in real time by a network of workers. In this setting, it is hard to learn quickly or approximately while keeping a distributed representation of L. To address this challenge, we present a novel algorithm, GSQUEAK, which efficiently sparsifies the Laplacian by maintaining a small subset of effective resistances. We show that our algorithm produces sparsifiers with strong spectral approximation guarantees, all while processing edges in a single pass and in a distributed fashion.
• Abstract（参考訳）: グラフベースの技術とスペクトルグラフ理論は、機械学習の分野を様々な重要な進歩で豊かにしてきた。 解析の中心となる対象はグラフのラプラシアン L であり、グラフの構造を符号化する。 分散ストリーミング環境において,このラプラシア語を学習する際の問題点を考察し,作業者のネットワークによってグラフの新しいエッジをリアルタイムで観測する。 本稿では,Lの分散表現を維持しながら,迅速あるいはほぼ学習することは困難である。この問題に対処するため,新しいアルゴリズムGSQUEAK(GSQUEAK)を提案する。 提案アルゴリズムは、エッジを単一パスで処理し、分散的に処理しながら、スペクトル近似の強いスペーサーを生成する。

関連論文リスト

• Advection-Diffusion on Graphs: A Bakry-Emery Laplacian for Spectral Graph Neural Networks [2.6124895681424323]
  グラフニューラルネットワーク(GNN)は、過度なスムーシングやオーバーシャッシングによって、遠方からの情報伝達に苦慮することが多い。 学習可能なノードワイズポテンシャルを通じて拡散と対流を統合したBakry-Emery graph Laplacianを導入する。 我々は、ポテンシャルとチェビシェフフィルタを共同で学習するスペクトルアーキテクチャであるmu-ChebNetを開発した。
  論文  参考訳（メタデータ） (2026-02-20T11:01:12Z)
• A Spectral Interpretation of Redundancy in a Graph Reservoir [51.40366905583043]
  この研究はMRGNN(Multi resolution Reservoir Graph Neural Network)における貯留層の定義を再考する。 コンピュータグラフィックスにおける表面設計の分野で最初に導入されたフェアリングアルゴリズムに基づく変種を提案する。 この論文の中核的な貢献は、ランダムウォークの観点からのアルゴリズムの理論解析にある。
  論文  参考訳（メタデータ） (2025-07-17T10:02:57Z)
• Mitigating Over-Squashing in Graph Neural Networks by Spectrum-Preserving Sparsification [81.06278257153835]
  本稿では,構造的ボトルネック低減とグラフ特性保存のバランスをとるグラフ再構成手法を提案する。 本手法は、疎性を維持しながら接続性を高めたグラフを生成し、元のグラフスペクトルを大半保存する。
  論文  参考訳（メタデータ） (2025-06-19T08:01:00Z)
• Mitigating the Impact of Noisy Edges on Graph-Based Algorithms via Adversarial Robustness Evaluation [1.8569481432894677]
  本稿では, スペクトル対角法を用いて, ノイズエッジがグラフベースアルゴリズムの性能に与える影響を緩和する手法を提案する。 提案手法は,ノイズの多いエッジに対して脆弱でない点を識別し,これらの頑健な点のみを利用してグラフベースのアルゴリズムを実行する。
  論文  参考訳（メタデータ） (2024-01-28T10:03:37Z)
• Pointspectrum: Equivariance Meets Laplacian Filtering for Graph Representation Learning [3.7875603451557063]
  グラフ表現学習(GRL)は、現代のグラフデータマイニングおよび学習タスクに欠かせないものとなっている。 グラフニューラルネットワーク(GNN)は最先端のGRLアーキテクチャで使用されているが、過度なスムース化に悩まされていることが示されている。 本稿では,グラフの構造を考慮に入れたスペクトル法であるPointSpectrumを提案する。
  論文  参考訳（メタデータ） (2021-09-06T10:59:11Z)
• Multilayer Clustered Graph Learning [66.94201299553336]
  我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。 実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。 クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
  論文  参考訳（メタデータ） (2020-10-29T09:58:02Z)
• SF-GRASS: Solver-Free Graph Spectral Sparsification [16.313489255657203]
  本研究では,新しいスペクトルグラフ粗化技術とグラフ信号処理技術を活用することで,スペクトルグラフスカラー化のための解法フリーアプローチ(SF-GRASS)を提案する。 提案手法は,様々な実世界の大規模グラフや回路網に対して,ほぼ直線時間で高品質なスペクトルスペーサーの階層を生成することができることを示す。
  論文  参考訳（メタデータ） (2020-08-17T21:37:19Z)
• Fast Graph Attention Networks Using Effective Resistance Based Graph Sparsification [70.50751397870972]
  FastGATは、スペクトルスペーシフィケーションを用いて、注目に基づくGNNを軽量にし、入力グラフの最適プルーニングを生成する手法である。 我々は,ノード分類タスクのための大規模実世界のグラフデータセット上でFastGATを実験的に評価した。
  論文  参考訳（メタデータ） (2020-06-15T22:07:54Z)
• Spectral Graph Attention Network with Fast Eigen-approximation [103.93113062682633]
  スペクトルグラフ注意ネットワーク(SpGAT)は、重み付きフィルタとグラフウェーブレットベースに関する異なる周波数成分の表現を学習する。 固有分解による計算コストを削減するために,高速近似変種SpGAT-Chebyを提案する。 半教師付きノード分類タスクにおけるSpGATとSpGAT-Chebyの性能を徹底的に評価する。
  論文  参考訳（メタデータ） (2020-03-16T21:49:34Z)

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。