論文の概要: RAwR: Role-Aware Rewiring via Approximate Equitable Partition

• arxiv url: http://arxiv.org/abs/2605.09457v1
• Date: Sun, 10 May 2026 10:15:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.260129
• Title: RAwR: Role-Aware Rewiring via Approximate Equitable Partition
• Title（参考訳）: RAwR: 近似等価分割によるロールアウェアリライト
• Authors: Riccardo Porcedda, Giuseppe Squillace, Bastian Epping, Andrea Vandin, Michael Schaub, Mirco Tribastone, Francesca Chiaromonte,
• Abstract要約: 本稿では,計算効率のよい再配線フレームワークRAwRを紹介する。 RAwRは、等価な分割から派生した商グラフで入力グラフを拡大する。 さまざまなベンチマークスイートに対する実証的な評価は、RAwRが最先端の結果を達成していることを示している。
• 参考スコア（独自算出の注目度）: 1.5445058818973285
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While Graph Neural Networks (GNNs) have demonstrated significant efficacy in node classification tasks, where predictions rely on local neighborhood information, the performance of GNNs often drops when prediction tasks depend on long-range interactions. These limitations are attributed to phenomena such as oversquashing, where structural bottlenecks restrict signal propagation across the network topology. To address this challenge, we introduce RAwR, a computationally efficient rewiring framework that augments the input graph with a quotient graph derived from equitable partitions. This approach facilitates accelerated communication between nodes that share identical structural roles, as identified by the Weisfeiler-Leman graph coloring, and thereby reduces the total effective resistance of the system. Furthermore, by employing an approximate definition of the equitable partition, RAwR enables a controllable reduction of the quotient graph, which, in its most condensed state, recovers the conventional Master Node rewiring technique. Empirical evaluations across a diverse suite of benchmarks -- including homophilic, heterophilic, and synthetic long-range datasets -- demonstrate that RAwR achieves state-of-the-art results. Our contribution is further supported by an analytical investigation using a teacher-student model of linear GNNs, which elucidates the theoretical foundations of role-based rewiring. This analysis leads to the formulation of Spectral Role Lift (SRL), a metric designed to identify the optimal approximate equitable partition for maximizing predictive performance.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、予測が局所的な近傍情報に依存するノード分類タスクにおいて有意な効果を示したが、予測タスクが長距離相互作用に依存する場合、GNNの性能は低下することが多い。 これらの制限は、ネットワークトポロジを横断する信号の伝搬を制限する構造的ボトルネックが過度に発生する現象に起因している。 この課題に対処するために,等価な分割から導かれる商グラフを用いて入力グラフを増強する,計算効率のよい書き換えフレームワークであるRAwRを導入する。 このアプローチは、Weisfeiler-Lemanグラフカラーリングによって同定されたように、同一の構造的役割を持つノード間の通信を高速化し、システム全体の有効抵抗を低減させる。 さらに、等価パーティションの近似定義を利用することで、RAwRは商グラフの制御可能な削減を可能にし、最も凝縮した状態において、従来のマスターノードのリウィリング手法を回復する。 ホモフィリック、ヘテロフィリック、合成ロングレンジデータセットを含む、さまざまなベンチマークスイートにわたる実証的な評価は、RAwRが最先端の結果を達成することを実証している。 我々の貢献は、線形GNNの教師学生モデルを用いた分析研究によってさらに裏付けられ、役割ベースリウィリングの理論的基礎が解明される。 この分析は、予測性能を最大化する最適な近似平衡分割を特定するために設計された計量であるスペクトルロールリフト(SRL)の定式化につながる。

関連論文リスト

• SCL-GNN: Towards Generalizable Graph Neural Networks via Spurious Correlation Learning [12.004932896426347]
  グラフニューラルネットワーク(GNN)は、さまざまなタスクで顕著な成功を収めている。 GNNは、たとえそのような相関が予測に信頼できないとしても、トレーニングデータにおいて受容不能な統計的相関を利用する傾向がある。 本稿では,独立分散(IID)グラフとアウト・オブ・ディストリビューション(OOD)グラフの両方を一般化するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-09T11:42:06Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• Understanding the Effect of GCN Convolutions in Regression Tasks [8.299692647308323]
  グラフ畳み込みネットワーク(GCN)は、グラフ上の関数をモデル化する機械学習において重要な手法となっている。 グラフ構造が近隣ノードに類似した信号を示すことを示すネットワークを考える。 一般的な2つの畳み込み(元のGCNとGraphSAGEの畳み込み)が学習エラーにどのように影響するかを検討する。
  論文  参考訳（メタデータ） (2024-10-26T04:19:52Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
  トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。 このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。 本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:57:18Z)

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。