論文の概要: Beyond Oversquashing: Understanding Signal Propagation in GNNs Via Observables

• arxiv url: http://arxiv.org/abs/2605.13383v1
• Date: Wed, 13 May 2026 11:38:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:28.017907
• Title: Beyond Oversquashing: Understanding Signal Propagation in GNNs Via Observables
• Title（参考訳）: 過度な監視 - GNNにおける信号伝達の理解 - 可観測性
• Authors: Eden Nagar, Ya-Wei Eileen Lin, Ron Levie,
• Abstract要約: 本稿では、観測可能量の概念を用いて、量子力学にインスパイアされた信号伝搬をモデル化するための代替手法を提案する。 標準スペクトルGNNは信号伝搬能力に乏しいことを示す。 そこで我々はSchrdinger GNNと呼ばれる新しいスペクトルGNNを提案する。
• 参考スコア（独自算出の注目度）: 19.609997929196222
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Neural Networks (GNNs) perform computations on graphs by routing the signal between graph regions using a graph shift operator or a message passing scheme. Often, the propagation of the signal leads to a loss of information, where the signal tends to diffuse across the graph instead of being deliberately routed between regions of interest. Two notions that depict this phenomenon are oversmoothing and oversquashing. In this paper, we propose an alternative approach for modeling signal propagation, inspired by quantum mechanics, using the notion of observables. Specifically, we model the place in the graph where the signal lies, how much the signal is concentrated there, and how much of the signal is propagated towards a location of interest when applying a GNN. Using these new concepts, we prove that standard spectral GNNs have poor signal propagation capabilities. We then propose a new type of spectral GNN, termed Schrödinger GNN, which we show has a superior capacity to route the signal across the graph.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、グラフシフト演算子またはメッセージパッシング方式を用いて、グラフ領域間の信号をルーティングすることにより、グラフ上の計算を実行する。 しばしば、信号の伝播は、関心のある領域間で意図的にルーティングされる代わりに、信号がグラフ全体に拡散する傾向にある情報を失うことにつながる。 この現象を描写する2つの概念は、過密と過密である。 本稿では,観測可能量の概念を用いて,量子力学にインスパイアされた信号伝搬をモデル化するための代替手法を提案する。 具体的には、GNNを適用する際に、信号がどこにあるか、信号がどれだけ集中しているか、信号のどのくらいが関心のある場所に向かって伝播しているかをモデル化する。 これらの新しい概念を用いて、標準スペクトルGNNは信号伝達能力が低いことを証明した。 そこで我々はSchrödinger GNNと呼ばれる新しいスペクトルGNNを提案する。

関連論文リスト

• Graph Signal Generative Diffusion Models [74.75869068073577]
  拡散過程を用いたグラフ信号生成のためのU字型エンコーダ-デコーダグラフニューラルネットワーク(U-GNN)を提案する。 アーキテクチャは、エンコーダとデコーダパス間の接続をスキップすることで、異なる解像度でノード機能を学ぶ。 株価の確率予測における拡散モデルの有効性を実証する。
  論文  参考訳（メタデータ） (2025-09-21T21:57:27Z)
• SlepNet: Spectral Subgraph Representation Learning for Neural Dynamics [5.424636897130673]
  グラフニューラルネットワークは、グラフ構造化データの機械学習に有用である。 それらはグラフ上のパターン信号の表現に限られている。 SlepNetはグラフ調和ではなくSlepianベースを使用する新しいGCNである。
  論文  参考訳（メタデータ） (2025-06-19T21:03:52Z)
• BLIS-Net: Classifying and Analyzing Signals on Graphs [20.345611294709244]
  グラフニューラルネットワーク(GNN)は、ノード分類やグラフ分類といったタスクのための強力なツールとして登場した。 我々は以前に導入された幾何散乱変換に基づいて構築された新しいGNNであるBLIS-Net(Bi-Lipschitz Scattering Net)を紹介する。 BLIS-Netは,交通流とfMRIデータに基づいて,合成データと実世界のデータの両方において優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2023-10-26T17:03:14Z)
• A graphon-signal analysis of graph neural networks [8.423229632785025]
  本稿では,グラフトン解析からいわゆるグラフトン信号解析への拡張に基づく,メッセージパッシンググラフニューラルネットワーク(MPNN)の解析手法を提案する。 我々は、MPNNがグラフ-信号距離空間上のリプシッツ連続函数であることを証明した。
  論文  参考訳（メタデータ） (2023-05-25T12:27:35Z)
• Distributional Signals for Node Classification in Graph Neural Networks [36.30743671968087]
  グラフニューラルネットワーク(GNN)では、ノード特徴とラベルの両方がグラフ信号の例であり、グラフ信号処理(GSP)における鍵概念である。 本フレームワークでは,ノードラベルの分布をその値の代わりに扱うとともに,そのような分布グラフ信号の滑らかさと非均一性の概念を提案する。 次に,GNNの一般正規化手法を提案し,半教師付きノード分類タスクにおけるモデル出力の分布の滑らかさと非均一性をエンコードする。
  論文  参考訳（メタデータ） (2023-04-07T06:54:42Z)
• Stable and Transferable Hyper-Graph Neural Networks [95.07035704188984]
  グラフニューラルネットワーク(GNN)を用いたハイパーグラフでサポートする信号処理アーキテクチャを提案する。 スペクトル類似性により任意のグラフにまたがってGNNの安定性と転送可能性の誤差をバウンドするフレームワークを提供する。
  論文  参考訳（メタデータ） (2022-11-11T23:44:20Z)
• Transferability Properties of Graph Neural Networks [125.71771240180654]
  グラフニューラルネットワーク(GNN)は、中規模グラフでサポートされているデータから表現を学ぶのに成功している。 適度な大きさのグラフ上でGNNを訓練し、それらを大規模グラフに転送する問題について検討する。 その結果, (i) グラフサイズに応じて転送誤差が減少し, (ii) グラフフィルタは非線型性の散乱挙動によってGNNにおいて緩和されるような転送可能性-識別可能性トレードオフを有することがわかった。
  論文  参考訳（メタデータ） (2021-12-09T00:08:09Z)
• Graph Neural Networks: Architectures, Stability and Transferability [176.3960927323358]
  グラフニューラルネットワーク(GNN)は、グラフでサポートされている信号のための情報処理アーキテクチャである。 これらは、個々の層がグラフ畳み込みフィルタのバンクを含む畳み込みニューラルネットワーク(CNN)の一般化である。
  論文  参考訳（メタデータ） (2020-08-04T18:57:36Z)
• Graphon Neural Networks and the Transferability of Graph Neural Networks [125.71771240180654]
  グラフニューラルネットワーク(GNN)は、ネットワークデータから局所的な特徴を抽出するためにグラフ畳み込みに依存する。 我々は,GNNのリミットオブジェクトとしてグラフオンNNを導入し,GNNの出力とそのリミットグラフオン-NNとの差を証明した。 これにより、GNNの識別可能性と転送可能性のトレードオフが確立される。
  論文  参考訳（メタデータ） (2020-06-05T16:41:08Z)
• Graphon Pooling in Graph Neural Networks [169.09536309161314]
  グラフニューラルネットワーク(GNN)は、グラフによってモデル化された不規則構造上の信号の処理を含む様々なアプリケーションで効果的に使用されている。 本稿では,グラフのスペクトル特性を保存したグラフオンを用いて,GNNのプールとサンプリングを行う新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-03-03T21:04:20Z)

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。