論文の概要: GraViti: Graph-Level Variational Autoencoders with Relaxed Permutation Invariance
- arxiv url: http://arxiv.org/abs/2605.16668v1
- Date: Fri, 15 May 2026 22:08:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:46.900866
- Title: GraViti: Graph-Level Variational Autoencoders with Relaxed Permutation Invariance
- Title（参考訳）: GraViti: 置換不変度を緩和したグラフレベル変分オートエンコーダ
- Authors: Roman Bresson, Konstantinos Divriotis, Johannes F. Lutzeyer, Iakovos Evdaimon, Michalis Vazirgiannis,
- Abstract要約: グラフレベルの変分オートエンコーダであるGraVitiを導入し,グラフ全体をコンパクトな潜在ベクトルにマッピングする。
分子ベンチマークでは、GraVitiはトレーニングデータに存在する化学的な制約に従う有効なサンプルをデコードすることを学ぶ。
GraVitiは、大規模なデータセット上で最先端の再構築精度を達成し、安定した生成性能を提供する。
- 参考スコア（独自算出の注目度）: 20.535256323518215
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce GraViti, a transformer-based graph-level variational autoencoder that maps entire graphs to compact latent vectors. This design produces a true graph-level latent space that supports smooth interpolation, property-guided search, and other downstream tasks beyond the constraints of node-level embeddings. On molecular benchmarks, GraViti learns to decode valid samples that follow the chemical constraints present in the training data, showing that the model recovers domain rules directly from graph-level representations. We also show that, in domains where a reliable canonical node ordering exists such as molecules or bayesian networks, enforcing permutation invariance can prove detrimental for consistent reconstruction. GraViti achieves state-of-the-art reconstruction accuracy on large datasets, and provides solid generative performance. Its single-step decoding offers a lightweight alternative to more complex generation pipelines while maintaining practical sample quality.
- Abstract（参考訳）: グラフ全体をコンパクトな潜在ベクトルにマッピングするトランスフォーマーベースのグラフレベル変動自動エンコーダであるGraVitiを紹介する。
この設計は、ノードレベルの埋め込みの制約を超えたスムーズな補間、プロパティ誘導検索、その他の下流タスクをサポートする真のグラフレベルの潜在空間を生成する。
分子ベンチマークでは、GraVitiはトレーニングデータに存在する化学的な制約に従う有効なサンプルをデコードすることを学び、モデルがグラフレベルの表現から直接ドメインルールを復元することを示した。
また、分子やベイジアンネットワークのような信頼できる正準ノード秩序が存在する領域では、置換不変性を強制することは一貫した再構成に有害であることを示す。
GraVitiは、大規模なデータセット上で最先端の再構築精度を達成し、安定した生成性能を提供する。
シングルステップの復号化は、実用的なサンプル品質を維持しながら、より複雑な生成パイプラインの軽量な代替手段を提供する。
関連論文リスト
- Scalable Graph Compressed Convolutions [68.85227170390864]
ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。
グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
論文 参考訳（メタデータ） (2024-07-26T03:14:13Z) - A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。
我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。
GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
論文 参考訳（メタデータ） (2024-06-19T22:30:08Z) - Graph as Point Set [31.448841287258116]
本稿では,相互接続ノードを独立点の集合に変換するグラフ・ツー・セット変換法を提案する。
これにより、セットエンコーダを使用してグラフから学習することが可能になり、グラフニューラルネットワークの設計空間が大幅に拡張される。
提案手法の有効性を示すために,グラフから変換された点集合を入力として受け入れる変換器アーキテクチャであるPoint Set Transformer (PST)を導入する。
論文 参考訳（メタデータ） (2024-05-05T02:29:41Z) - 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) - Discrete Graph Auto-Encoder [52.50288418639075]
離散グラフオートエンコーダ(DGAE)という新しいフレームワークを導入する。
まず、置換同変オートエンコーダを用いてグラフを離散潜在ノード表現の集合に変換する。
2番目のステップでは、離散潜在表現の集合をソートし、特別に設計された自己回帰モデルを用いてそれらの分布を学習する。
論文 参考訳（メタデータ） (2023-06-13T12:40:39Z) - 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) - Deformable Graph Transformer [31.254872949603982]
本稿では動的にサンプリングされたキーと値のペアでスパースアテンションを行うDeformable Graph Transformer (DGT)を提案する。
実験により、我々の新しいグラフトランスフォーマーは既存のトランスフォーマーベースモデルより一貫して優れていることが示された。
論文 参考訳（メタデータ） (2022-06-29T00:23:25Z) - Gransformer: Transformer-based Graph Generation [14.161975556325796]
Gransformerは、グラフを生成するためのTransformerに基づくアルゴリズムである。
我々は、与えられたグラフの構造情報を利用するためにTransformerエンコーダを変更する。
また、ノードペア間のグラフベースの親しみ度尺度も導入する。
論文 参考訳（メタデータ） (2022-03-25T14:05:12Z)
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。