論文の概要: Graph Neural Networks for Community Detection in Graph Signal Analysis

• arxiv url: http://arxiv.org/abs/2605.19733v1
• Date: Tue, 19 May 2026 12:07:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 01:01:02.812292
• Title: Graph Neural Networks for Community Detection in Graph Signal Analysis
• Title（参考訳）: グラフ信号解析におけるコミュニティ検出のためのグラフニューラルネットワーク
• Authors: Roberto Cavoretto, Alessandra De Rossi, Enrico Montini,
• Abstract要約: コミュニティ検出は、ネットワーク科学からグラフ信号処理に至るまで、グラフ解析における中心的な問題である。 近年,グラフ構造化データの低次元表現を学習するための有効なツールとして,グラフニューラルネットワーク(GNN)が登場している。 本稿では,グラフ信号フレームワークにおけるGNNを用いたコミュニティ検出手法について検討する。
• 参考スコア（独自算出の注目度）: 42.46509410711165
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Community detection is a central problem in graph analysis, with applications ranging from network science to graph signal processing. In recent years, Graph Neural Networks (GNNs) have emerged as effective tools for learning low-dimensional representations of graph-structured data and have shown strong performance in clustering tasks, particularly on large and high-dimensional graphs. This paper investigates the use of GNN-based community detection within a graph signal interpolation framework. After reviewing the main classes of GNN architectures for community detection according to a standard taxonomy, we integrate the resulting graph communities into a Partition of Unity Method (PUM) for interpolation with Graph Basis Functions (GBFs). In this approach, GNN-derived communities are used to construct local subdomains on which GBF interpolants are computed and subsequently combined into a global approximation. Numerical experiments on benchmark %graph datasets, including geometric and urban network examples demonstrate that the proposed combination of GNN-based clustering and GBF-PUM interpolation yields accurate signal reconstructions. The results indicate that deep learning-based community detection can provide effective graph partitions for localized interpolation schemes, supporting its use in scalable graph signal analysis.
• Abstract（参考訳）: コミュニティ検出は、ネットワーク科学からグラフ信号処理に至るまで、グラフ解析における中心的な問題である。 近年,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低次元表現を学習するための有効なツールとして登場しており,特に大規模・高次元グラフにおいて,クラスタリングタスクにおいて高い性能を示している。 本稿では,グラフ信号補間フレームワークにおけるGNNを用いたコミュニティ検出手法について検討する。 標準分類法に従ってGNNアーキテクチャの主要なクラスをレビューした後、グラフ基底関数(GBF)との補間のための統一方法(PUM)にグラフコミュニティを統合する。 このアプローチでは、GNN由来のコミュニティを用いて、GBF補間剤を計算し、その後グローバルな近似に結合する局所サブドメインを構築する。 GNNクラスタリングとGBF-PUM補間を組み合わせることで正確な信号再構成が得られることを示す。 その結果, 深層学習に基づくコミュニティ検出は, 局所化補間スキームに有効なグラフ分割を提供し, スケーラブルなグラフ信号解析に有効であることが示唆された。

関連論文リスト

• Empowering GNNs for Domain Adaptation via Denoising Target Graph [24.1681316493239]
  本稿では,グラフ領域適応の文脈におけるノード分類タスクについて検討する。ソースとターゲットのグラフ構造とソースラベルを併用して,ターゲットグラフ上のグラフニューラルネットワーク(GNN)の一般化能力を向上する。 対象グラフ上でグラフエッジを識別する補助損失関数を単に組み込むことは,対象グラフ上でのGNN性能向上に極めて有効であることがわかった。 ドメイン適応に基づくノード分類のためのGNNトレーニングに,この補助エッジタスクを統合するフレームワークであるGraphDeTを提案する。
  論文  参考訳（メタデータ） (2025-12-06T01:23:11Z)
• Link prediction Graph Neural Networks for structure recognition of Handwritten Mathematical Expressions [1.0368454754549237]
  我々は,HMEをグラフとしてモデル化し,ノードがシンボルやエッジをキャプチャする手書き数学的表現(HME)認識のためのグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。 深部BLSTMネットワークはシンボルのセグメンテーション、認識、空間関係の分類に使われ、初期原始グラフを形成する。 2D-CFGはすべての空間関係を生成するが、GNNベースのリンク予測モデルは不要な接続を除去して構造を洗練し、最終的にシンボルラベルグラフを形成する。
  論文  参考訳（メタデータ） (2025-11-04T06:04:04Z)
• Revisiting Neighborhood Aggregation in Graph Neural Networks for Node Classification using Statistical Signal Processing [4.184419714263417]
  グラフニューラルネットワーク(GNN)の基本構成要素である近傍集約の概念を再評価する。 本分析では,エッジ独立ノードラベルの仮定の下での動作において,特定のベンチマークGNNモデル内の概念的欠陥を明らかにする。
  論文  参考訳（メタデータ） (2024-07-21T22:37:24Z)
• DGNN: Decoupled Graph Neural Networks with Structural Consistency between Attribute and Graph Embedding Representations [62.04558318166396]
  グラフニューラルネットワーク(GNN)は、複雑な構造を持つグラフ上での表現学習の堅牢性を示す。 ノードのより包括的な埋め込み表現を得るために、Decoupled Graph Neural Networks (DGNN)と呼ばれる新しいGNNフレームワークが導入された。 複数のグラフベンチマークデータセットを用いて、ノード分類タスクにおけるDGNNの優位性を検証した。
  論文  参考訳（メタデータ） (2024-01-28T06:43:13Z)
• The Map Equation Goes Neural: Mapping Network Flows with Graph Neural Networks [0.716879432974126]
  コミュニティ検出は、教師なしのデータ探索と、ネットワーク化されたシステムの組織構造を明らかにするために不可欠なツールである。 本研究では,非教師付きコミュニティ検出のための一般的な情報理論的目的関数であるマップ方程式を考察し,下降による勾配の微分可能なテンソル形式で表現する。 我々の定式化は、任意のニューラルネットワークアーキテクチャと互換性のあるマップ方程式を変換し、エンドツーエンドの学習を可能にし、ノード機能を導入し、クラスタの最適な数を自動的に選択します。
  論文  参考訳（メタデータ） (2023-10-02T12:32:18Z)
• DEGREE: Decomposition Based Explanation For Graph Neural Networks [55.38873296761104]
  我々は,GNN予測に対する忠実な説明を提供するためにDGREEを提案する。 GNNの情報生成と集約機構を分解することにより、DECREEは入力グラフの特定のコンポーネントのコントリビューションを最終的な予測に追跡することができる。 また,従来の手法で見過ごされるグラフノード間の複雑な相互作用を明らかにするために,サブグラフレベルの解釈アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2023-05-22T10:29:52Z)
• Learnable Filters for Geometric Scattering Modules [64.03877398967282]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2022-08-15T22:30:07Z)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
  最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。 我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
  論文  参考訳（メタデータ） (2020-10-06T01:20:27Z)

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。