論文の概要: Distance-Misaligned Training in Graph Transformers and Adaptive Graph-Aware Control

• arxiv url: http://arxiv.org/abs/2604.22413v1
• Date: Fri, 24 Apr 2026 10:19:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.421129
• Title: Distance-Misaligned Training in Graph Transformers and Adaptive Graph-Aware Control
• Title（参考訳）: グラフ変換器における距離ミスアライメント学習と適応型グラフ認識制御
• Authors: Qinhan Hou, Jing Tang,
• Abstract要約: グラフトランスフォーマーは情報を世界規模で混ぜることができるが、この柔軟性は障害モードも生成する。 文脈ブロックモデルグラフのノード分類ベンチマークを用いてこれを研究する。 距離ミスアライメントは,ラベル関連情報が存在する場所と,モデルがグラフ距離上の通信を割り当てている場所とのミスマッチとして定義する。
• 参考スコア（独自算出の注目度）: 4.104525618451057
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Transformers can mix information globally, but this flexibility also creates failure modes: some tasks require long-range communication while others are better served by local interaction. We study this through a synthetic node-classification benchmark on contextual stochastic block model graphs, where labels are generated by a controllable mixture of local and far-shell signals. We define distance-misaligned training as a mismatch between where label-relevant information lies and where the model allocates communication over graph distance. On this benchmark, we find three points. First, the preferred graph-distance bias changes systematically with task locality. Second, an oracle adaptive controller, given offline access to the task-side distance target, nearly matches the best fixed bias across regimes and strongly improves over a neutral baseline on mixed and local tasks. Third, a task-agnostic zero-gap controller is weaker, indicating that adaptation alone is not enough and that the control target matters. These results suggest that distance-resolved diagnosis is useful for understanding Graph Transformer failures and for designing graph-aware control.
• Abstract（参考訳）: グラフトランスフォーマーは、情報を世界中に混ぜることもできますが、この柔軟性は、障害モードも生成します。 本研究では,局所および遠殻信号の制御可能な混合によりラベルが生成されるコンテキスト確率ブロックモデルグラフのノード分類ベンチマークを用いてこれを検証した。 我々は,距離ミスアライメントトレーニングを,ラベル関連情報のある場所と,モデルがグラフ距離上で通信を割り当てる場所とのミスマッチとして定義する。 このベンチマークでは、3つのポイントを見つけます。 第一に、好ましいグラフ距離バイアスはタスクの局所性とともに体系的に変化する。 第2に、タスク側距離ターゲットへのオフラインアクセスが与えられたオラクル適応コントローラは、レギュラー間の最良の固定バイアスとほぼ一致し、混合タスクと局所タスクの中立ベースラインよりも強く改善される。 第3に、タスク非依存のゼロギャップコントローラは、適応だけでは不十分であり、制御対象が重要であることを示す。 これらの結果から,距離分解診断はグラフトランスフォーマー故障の理解やグラフ認識制御の設計に有用であることが示唆された。

関連論文リスト

• DREAM: Dual-Standard Semantic Homogeneity with Dynamic Optimization for Graph Learning with Label Noise [53.55187452152358]
  本稿では,ラベル付きグラフ上での信頼度,関係インフォームド最適化のためのDREAM(Dual-Standard Semantic Homogeneity with Dynamic Optimization)を提案する。 具体的には、グラフ内の各ラベル付きノードの信頼性を反復的に再評価するリレーショナルインフォームド動的最適化フレームワークを設計する。
  論文  参考訳（メタデータ） (2026-01-24T12:54:18Z)
• Transfer Learning on Edge Connecting Probability Estimation under Graphon Model [7.805468525082696]
  本稿では,グラフ間の構造パターンの整合と伝達を行うため,近傍の平滑化とGromov-Wassersteinの最適輸送を統合した伝達学習フレームワークを提案する。 GTRANSには適応的脱バイアス機構があり、残留な平滑化を通じて標的特異的な偏差を識別し修正する。 これらの改善は、グラフ分類タスクやリンク予測タスクなど、下流アプリケーションの性能向上に直接寄与する。
  論文  参考訳（メタデータ） (2025-10-07T02:37:12Z)
• Structural Alignment Improves Graph Test-Time Adaptation [17.564393890432193]
  グラフテスト時間適応(GTTA)のための新しいアルゴリズムであるテスト時間構造アライメント(TSA)を導入する。 TSAは、ソースデータにアクセスすることなく、推論中にグラフ構造を整列する。 合成および実世界のデータセットの実験は、TSAが非グラフTTA法と最先端GTTAベースラインの両方で一貫した性能を実証している。
  論文  参考訳（メタデータ） (2025-02-25T16:26:25Z)
• DPGAN: A Dual-Path Generative Adversarial Network for Missing Data Imputation in Graphs [17.847551850315895]
  本稿では,DPGAN(Dual-Pathrative Adversarial Network)と呼ばれる新しいフレームワークを提案する。 DPGANは、欠落したデータと同時に処理し、過度にスムースな問題を回避することができる。 さまざまなベンチマークデータセットにわたる総合的な実験は、DPGANが既存の最先端の計算アルゴリズムよりも優れていなくても、一貫して競合していることを裏付けている。
  論文  参考訳（メタデータ） (2024-04-26T05:26:10Z)
• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• Mobility-Induced Graph Learning for WiFi Positioning [3.9913115858730865]
  本稿では,MINGLE(Mobility-Induced Graph LEarning)と呼ばれるグラフニューラルネットワークを用いた新たな統合手法を提案する。 異なるユーザモビリティ機能をキャプチャして作られた2種類のグラフに基づいて設計されている。 提案したMINGLEの有効性は、フィールド実験を通じて広く検証されている。
  論文  参考訳（メタデータ） (2023-11-14T16:06:11Z)
• 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)
• Distributed Graph Learning with Smooth Data Priors [61.405131495287755]
  本稿では,ノード上の信号観測からグラフを推論する分散グラフ学習アルゴリズムを提案する。 この結果から,分散手法は,推定グラフの精度を損なうことなく,集中型アルゴリズムよりも通信コストが低いことがわかった。
  論文  参考訳（メタデータ） (2021-12-11T00:52:02Z)
• Towards Graph Self-Supervised Learning with Contrastive Adjusted Zooming [48.99614465020678]
  本稿では,グラフコントラスト適応ズームによる自己教師付きグラフ表現学習アルゴリズムを提案する。 このメカニズムにより、G-Zoomはグラフから複数のスケールから自己超越信号を探索して抽出することができる。 我々は,実世界のデータセットに関する広範な実験を行い,提案したモデルが常に最先端の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-20T22:45:53Z)
• Scalable Perception-Action-Communication Loops with Convolutional and Graph Neural Networks [208.15591625749272]
  視覚に基づくグラフアグリゲーション・アンド・推論(VGAI)を用いた知覚-行動-コミュニケーションループの設計を提案する。 我々のフレームワークは、畳み込みとグラフニューラルネットワーク(CNN/GNN)のカスケードによって実装され、エージェントレベルの視覚知覚と特徴学習に対処する。 我々は、VGAIが他の分散コントローラに匹敵する性能を得ることを示した。
  論文  参考訳（メタデータ） (2021-06-24T23:57:21Z)

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。

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。