論文の概要: Graph Navier Stokes Networks

• arxiv url: http://arxiv.org/abs/2605.21247v2
• Date: Mon, 25 May 2026 15:42:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 16:32:37.870267
• Title: Graph Navier Stokes Networks
• Title（参考訳）: Graph Navierがネットワークを停止
• Authors: Zexing Zhao, Guangsi Shi, Yu Gong, Tianyu Wang, Shirui Pan, Hongye Cheng, Yuxiao Li,
• Abstract要約: 本稿では,従来の拡散型メッセージパッシングを超越した新しいアーキテクチャであるGraph Navier Stokes Networks (GNSN)を紹介する。 GNSNは、対流を管理するためにグラフ上の動的速度場を定義し、より効率的で直接的なメッセージ伝搬を可能にする。 GNSNは、分類精度において最先端のベースラインを一貫して上回る。
• 参考スコア（独自算出の注目度）: 47.79249022892634
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Neural Networks (GNNs) have emerged as a cornerstone of deep learning, with most existing methods rooted in graph signal processing and diffusion equations to model message passing. However, these approaches inherently suffer from the oversmoothing problem, where node features become indistinguishable as the network depth increases. Inspired by the Navier Stokes equations, we introduce Graph Navier Stokes Networks (GNSN), a novel architecture that transcends conventional diffusion-based message passing by incorporating convection into graph structures. GNSN defines a dynamic velocity field on the graph to govern convection, enabling more efficient and direct message propagation. By adaptively balancing convection and diffusion, GNSN is able to efficiently handle datasets with varying levels of homophily. Extensive evaluations across twelve real-world datasets demonstrate that GNSN consistently outperforms state-of-the-art baselines in classification accuracy. Moreover, experimental results further emphasize its effectiveness in alleviating the oversmoothing problem.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、グラフ信号処理や拡散方程式を基礎として、メッセージパッシングをモデル化する深層学習の基盤として登場した。 しかし、これらのアプローチは本質的に、ネットワークの深さが増加するにつれてノードの特徴が区別できないという過度な問題に悩まされる。 Navier Stokes 方程式に着想を得た Graph Navier Stokes Networks (GNSN) を導入する。 GNSNは、対流を管理するためにグラフ上の動的速度場を定義し、より効率的で直接的なメッセージ伝搬を可能にする。 対流と拡散を適応的にバランスさせることで、GNSNは様々なレベルのホモフィリーを持つデータセットを効率的に処理することができる。 12の現実世界のデータセットにわたる広範囲な評価により、GNSNは分類精度において最先端のベースラインを一貫して上回っていることが示される。 さらに, オーバースムーシング問題を緩和する効果を実験的に強調した。

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)
• Superposition in Graph Neural Networks [11.888196115363298]
  グラフニューラルネットワーク(GNN)の潜在空間において,複数の特徴による方向の共有に関する重ね合わせについて検討する。 GCN/GIN/GAT全体では、幅の増大が相パターンを重複させ、トポロジのインプリントがノードレベルの特徴に重なり、部分的なリミックスがタスク整列グラフ軸にリミックスされる。
  論文  参考訳（メタデータ） (2025-08-31T16:43:29Z)
• Topology-aware Neural Flux Prediction Guided by Physics [13.352980442733987]
  グラフニューラルネットワーク(GNN)はしばしば、有向グラフを扱う際に、ノイズ信号の高周波成分を保存するのに苦労する。 本稿では, 1) 方向勾配をモデル化する明示的な差分行列と, 2) 自然法則に整合するGNN内を通過するメッセージを強制する暗黙の物理的制約とを組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2025-06-06T02:01:50Z)
• Directed Homophily-Aware Graph Neural Network [7.539052660225002]
  我々は、ホモフィア認識と指向性を考慮した新しいフレームワーク、Directed Homophily-aware Graph Neural Network (DHGNN)を提案する。 DHGNNは、ホモフィリーレベルと情報性に基づいてメッセージコントリビューションを適応的に変調するリセット可能なゲーティング機構を採用している。 解析により、このゲーティング機構は、方向のホモフィリギャップを捕捉し、層を横切るホモフィリを変動させ、複雑なグラフ構造上のメッセージパッシングの挙動について深い洞察を与えることが示された。
  論文  参考訳（メタデータ） (2025-05-28T13:41:04Z)
• Graph Spring Neural ODEs for Link Sign Prediction [49.71046810937725]
  本稿では,春の力によってモデル化されたグラフスプリングネットワーク(GSN)と呼ばれる新しいメッセージパッシング層アーキテクチャを提案する。 提案手法は,大規模グラフ上で最大28,000のノード生成時間高速化係数を持つ最先端手法に近い精度を実現する。
  論文  参考訳（メタデータ） (2024-12-17T13:50:20Z)
• Overcoming Oversmoothness in Graph Convolutional Networks via Hybrid Scattering Networks [11.857894213975644]
  本稿では,従来のGCNフィルタと幾何散乱変換を用いて定義された帯域通過フィルタを組み合わせたハイブリッドグラフニューラルネットワーク(GNN)フレームワークを提案する。 理論的には, グラフからの構造情報を活用するために散乱フィルタの相補的な利点が確立され, 実験では様々な学習課題における手法の利点が示された。
  論文  参考訳（メタデータ） (2022-01-22T00:47:41Z)
• Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph Wavelets [81.63035727821145]
  スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。 本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-03T17:57:53Z)
• Uniting Heterogeneity, Inductiveness, and Efficiency for Graph Representation Learning [68.97378785686723]
  グラフニューラルネットワーク(GNN)は,グラフ上のノード表現学習の性能を大幅に向上させた。 GNNの過半数クラスは均質グラフのためにのみ設計されており、より有益な異種グラフに劣る適応性をもたらす。 本稿では,低次ノードと高次ノードの両方のエッジに付随するヘテロジニアスなノード特徴をパッケージ化する,新しい帰納的メタパスフリーメッセージパッシング方式を提案する。
  論文  参考訳（メタデータ） (2021-04-04T23:31:39Z)

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。