論文の概要: F\textsuperscript{2}LP-AP: Fast \& Flexible Label Propagation with Adaptive Propagation Kernel

• arxiv url: http://arxiv.org/abs/2604.20736v1
• Date: Wed, 22 Apr 2026 16:23:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:11.227732
• Title: F\textsuperscript{2}LP-AP: Fast \& Flexible Label Propagation with Adaptive Propagation Kernel
• Title（参考訳）: F\textsuperscript{2}LP-AP: Adaptive Propagation Kernel を用いた高速 \ and Flexible Label Propagation
• Authors: Yutong Shen, Ruizhe Xia, Jingyi Liu, Yinqi Liu,
• Abstract要約: textbfF$2$LP-APは、局所グラフトポロジに適応する、トレーニング不要で、計算的に効率的なフレームワークである。 textbfF$2$LP-APは、訓練されたGNNと比較して、競争力または優れた精度を達成する。
• 参考スコア（独自算出の注目度）: 6.834330245672611
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semi-supervised node classification is a foundational task in graph machine learning, yet state-of-the-art Graph Neural Networks (GNNs) are hindered by significant computational overhead and reliance on strong homophily assumptions. Traditional GNNs require expensive iterative training and multi-layer message passing, while existing training-free methods, such as Label Propagation, lack adaptability to heterophilo\-us graph structures. This paper presents \textbf{F$^2$LP-AP} (Fast and Flexible Label Propagation with Adaptive Propagation Kernel), a training-free, computationally efficient framework that adapts to local graph topology. Our method constructs robust class prototypes via the geometric median and dynamically adjusts propagation parameters based on the Local Clustering Coefficient (LCC), enabling effective modeling of both homophilous and heterophilous graphs without gradient-based training. Extensive experiments across diverse benchmark datasets demonstrate that \textbf{F$^2$LP-AP} achieves competitive or superior accuracy compared to trained GNNs, while significantly outperforming existing baselines in computational efficiency.
• Abstract（参考訳）: 半教師付きノード分類は、グラフ機械学習の基本的なタスクであるが、最先端のグラフニューラルネットワーク(GNN)は、計算上のオーバーヘッドと強いホモフィリ仮定への依存によって妨げられている。 従来のGNNは高価な反復訓練と多層メッセージパッシングを必要とするが、ラベルプロパゲーションのような既存のトレーニング不要の手法ではヘテロフィロ・USグラフ構造への適応性が欠如している。 本稿では,局所グラフトポロジに適応する学習自由で計算効率の良いフレームワークであるtextbf{F$^2$LP-AP} (Fast and Flexible Label Propagation with Adaptive Propagation Kernel)を提案する。 本手法は, 局所クラスタリング係数 (LCC) に基づいて, 局所クラスタリング係数 (LCC) に基づく伝播パラメータを動的に調整し, 勾配に基づく学習を行なわずに, ホモ親和グラフとヘテロ親和グラフの両方を効果的にモデル化する。 多様なベンチマークデータセットにわたる大規模な実験により、'textbf{F$^2$LP-AP} は、訓練されたGNNと比較して、競争力または優れた精度を達成し、計算効率において既存のベースラインを著しく上回ることを示した。

関連論文リスト

• Interpretable and Adaptive Node Classification on Heterophilic Graphs via Combinatorial Scoring and Hybrid Learning [1.2691047660244335]
  グラフニューラルネットワーク(GNN)は、ホモフィルグラフ上で強い性能を達成するが、隣接するノードがしばしば異なるクラスに属しているため、しばしば過度に苦労する。 本稿では、深いメッセージパッシングではなく、明示的な推論に基づく半教師付きノード分類のための解釈可能かつ適応的なフレームワークを提案する。 ヘテロ親和性および遷移性ベンチマークの実験は、現代のGNNと競合する性能を示し、解釈可能性、マグロ、計算効率の利点を提供する。
  論文  参考訳（メタデータ） (2025-12-22T20:50:44Z)
• ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
  本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。 本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。 特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
  論文  参考訳（メタデータ） (2025-07-19T04:46:53Z)
• Adaptive Homophily Clustering: Structure Homophily Graph Learning with Adaptive Filter for Hyperspectral Image [21.709368882043897]
  ハイパースペクトル画像(HSI)クラスタリングは、ゼロトレーニングラベルによる基本的だが難しい課題である。 本稿では,HSIのための適応フィルタクラスタリング法(AHSGC)を用いたホモフィリ構造グラフ学習を提案する。 AHSGCには高いクラスタリング精度、低い計算複雑性、強い堅牢性が含まれています。
  論文  参考訳（メタデータ） (2025-01-03T01:54:16Z)
• Degree-Conscious Spiking Graph for Cross-Domain Adaptation [51.58506501415558]
  Spiking Graph Networks (SGNs) はグラフ分類において大きな可能性を証明している。 DeSGraDA(Degree-Consicious Spiking Graph for Cross-Domain Adaptation)という新しいフレームワークを紹介する。 DeSGraDAは3つのキーコンポーネントを持つドメイン間の一般化を強化する。
  論文  参考訳（メタデータ） (2024-10-09T13:45:54Z)
• Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
  グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。 FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。 ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2023-12-19T18:00:15Z)
• Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
  不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。 最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。 我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
  論文  参考訳（メタデータ） (2023-10-23T01:25:44Z)
• Optimal Propagation for Graph Neural Networks [51.08426265813481]
  最適グラフ構造を学習するための二段階最適化手法を提案する。 また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
  論文  参考訳（メタデータ） (2022-05-06T03:37:00Z)

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。