論文の概要: Estimating Subgraph Importance with Structural Prior Domain Knowledge

• arxiv url: http://arxiv.org/abs/2605.12009v1
• Date: Tue, 12 May 2026 12:00:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.835823
• Title: Estimating Subgraph Importance with Structural Prior Domain Knowledge
• Title（参考訳）: 構造的事前ドメイン知識による部分グラフの重要性の推定
• Authors: Changhyun Kim, Seunghwan An, Jong-June Jeon,
• Abstract要約: 埋め込み空間における線形グループラッソ回帰問題として定式化されたグラフレベルのタスクに対する事前学習グラフニューラルネットワーク(GNN)のサブグラフ重要度推定法を提案する。 本手法は,GNNアーキテクチャで使用される出力層や読み出し関数の特定の形式に依存しないまま,グラフサブストラクチャの事前のドメイン知識を効果的に活用する。 実世界のグラフデータセットを用いた実験により,本手法はサブグラフの重要度推定において,既存のベースラインを一貫して上回ることを示した。
• 参考スコア（独自算出の注目度）: 9.121437356699355
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We propose a subgraph importance estimation method for pretrained Graph Neural Networks (GNNs) on graph-level tasks, formulated as a linear Group Lasso regression problem in the embedding space. Our method effectively leverages prior domain knowledge of graph substructures, while remaining independent of the specific form of the output layer or readout function used in the GNN architecture, and it does not require access to ground-truth target labels. Experiments on real-world graph datasets demonstrate that our method consistently outperforms existing baselines in subgraph importance estimation. Furthermore, we extend our method to identify important nodes within the graph.
• Abstract（参考訳）: 埋め込み空間における線形グループラッソ回帰問題として定式化されたグラフレベルのタスクに対する事前学習グラフニューラルネットワーク(GNN)のサブグラフ重要度推定法を提案する。 提案手法は,GNNアーキテクチャで使用される出力層や読み出し関数に依存せず,グラフサブストラクチャの事前知識を効果的に活用する。 実世界のグラフデータセットを用いた実験により,本手法はサブグラフの重要度推定において,既存のベースラインを一貫して上回ることを示した。 さらに,本手法を拡張して,グラフ内の重要なノードを同定する。

関連論文リスト

• Topology-Aware Active Learning on Graphs [3.649864838876551]
  本稿では,ラベルの少ない予算下でのエクスプロイトとエクスプロイトのコア課題を対象とした,アクティブラーニングのためのグラフトポロジカルアプローチを提案する。 探索のガイドとして,代表的な初期ラベルを選択するBFCに基づくコアセット構築を提案する。 また, BFCを用いて, 能動的学習ルーチンにおける探索から活用へのシフトを動的に引き起こし, ハンドチューニングアルゴリズムを置き換える。
  論文  参考訳（メタデータ） (2025-10-29T18:49:24Z)
• Boosting Graph Neural Network Expressivity with Learnable Lanczos Constraints [7.605749412696919]
  グラフニューラルネットワーク(GNN)はグラフ構造化データの処理に優れるが、リンク予測タスクでは性能が劣ることが多い。 グラフラプラシア行列の固有基底に誘導された部分グラフを埋め込むことによりGNNの表現性を高める新しい手法を提案する。 本研究では,2-WLで区別できないグラフを,効率的な時間的複雑性を維持しながら識別できることを実証する。
  論文  参考訳（メタデータ） (2024-08-22T12:22:00Z)
• Improving the interpretability of GNN predictions through conformal-based graph sparsification [9.550589670316523]
  グラフニューラルネットワーク(GNN)は、グラフ分類タスクの解決において最先端のパフォーマンスを達成した。 エッジやノードを除去することで,最も予測可能なサブグラフを見つけるGNNエンハンチング手法を提案する。 我々は、共形予測に基づく報奨関数で得られる二段階最適化を解決するために強化学習を頼りにしている。
  論文  参考訳（メタデータ） (2024-04-18T17:34:47Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• Self-supervised Learning and Graph Classification under Heterophily [4.358149865548289]
  我々は,Metric(PGM)に基づく,事前学習型グラフニューラルネットワーク(GNN)のための新しい自己教師型戦略を提案する。 我々の戦略は、分子特性予測とタンパク質機能予測のための最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-06-14T12:32:38Z)
• Bures-Wasserstein Means of Graphs [60.42414991820453]
  本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。 この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。 我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-05-31T11:04:53Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• 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)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)

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。