論文の概要: Community-Aware Vertex Ordering for Reference-Based Graph Compression: A Cross-Encoder Empirical Study

• arxiv url: http://arxiv.org/abs/2605.21510v1
• Date: Wed, 13 May 2026 10:38:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 20:14:18.452059
• Title: Community-Aware Vertex Ordering for Reference-Based Graph Compression: A Cross-Encoder Empirical Study
• Title（参考訳）: 参照型グラフ圧縮のためのコミュニティ対応頂点順序付け:クロスエンコーダ実証的研究
• Authors: Jimmy Dubuisson,
• Abstract要約: オーダリングとエンコーダの相互作用について検討する。 BG、CS、CGの3つの参照ベースのエンコーダは、最大28の候補分解から頂点毎のコスト最適選択を実行する。 エンコーダフレームワークは、低オーバヘッドランダムアクセスをサポートする自己補完ビットストリームも生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reference-based graph compression encodes each vertex's neighbor list relative to a recent vertex, exploiting locality to compress large directed graphs. The dominant tool, WebGraph's BVGraph, fixes a single encoding pipeline and relies on a separately chosen vertex ordering -- typically URL-lexicographic or Layered Label Propagation (LLP). The interaction between ordering and encoder is rarely measured. We propose a two-stage Leiden+LLP vertex ordering -- global LLP to seed labels, Leiden community detection, then per-cluster LLP on each induced subgraph -- and study how it interacts with reference-based compression. On graphs with poor initial vertex order, reordering saves 0.3 to 5.4 bits per edge on every dataset and encoder we measured. The size of that gain is largely insensitive to the encoder: on four of five weakly ordered datasets, four independently parameterised encoders agree on the Leiden+LLP-vs-plain-LLP gain within roughly +/- 0.04 bpe. On URL-ordered web crawls, where the distributed ordering already encodes locality, adaptive encoders still benefit from reordering, but encoders tuned to URL-induced residual structure (BV-HC, CG at K>1) are mildly hurt by it. To quantify how much encoder choice matters once ordering is fixed, we contribute three reference-based encoders -- BG, CS, and CG -- that perform per-vertex cost-optimal selection from up to 28 candidate decompositions. Each is run under its own best-tested ordering. The best of the three improves over BVGraph high-compression by 2-9% on every dataset tested, with the encoder-level gain consistently smaller than the ordering-level gain on weakly ordered datasets. The encoder framework also yields a self-delimiting bitstream that supports low-overhead random access.
• Abstract（参考訳）: 参照ベースのグラフ圧縮は、各頂点の隣接リストを最近の頂点に対してエンコードし、局所性を利用して大きな有向グラフを圧縮する。 支配的なツールであるWebGraphのBVGraphは、単一のエンコーディングパイプラインを修正し、分離して選択された頂点順序に依存する。 オーダリングとエンコーダの相互作用はめったに測定されない。 本稿では,シードラベルへのグローバルLPP,Leidenコミュニティ検出,各サブグラフのクラスタごとLPPの2段階のLeiden+LLP頂点順序付けを提案し,参照ベース圧縮との相互作用について検討する。 初期頂点順が低いグラフでは、再順序付けは、測定したデータセットとエンコーダ毎に、エッジ毎の0.3から5.4ビットを節約します。 5つの弱い順序のデータセットのうち4つの独立したパラメータ化されたエンコーダは、約+/-0.04 bpeでLeiden+LLP-vs-plain-LLPゲインに一致する。 分散オーダがすでにローカリティをエンコードしているURL順序Webクローラでは、アダプティブエンコーダはリオーダの恩恵を受けていますが、URL誘起残基構造(BV-HC, CG at K>1)に調整されたエンコーダは、それによって軽度に損傷を受けます。 順序が定まると、エンコーダの選択がどれだけ重要なのかを定量化するために、最大28の分解から頂点ごとのコスト最適選択を行う3つの参照ベースのエンコーダ(BG、CS、CG)をコントリビュートする。 それぞれがベストテストの注文を受けています。 3つのうち最高のものは、テストされたデータセット毎にBVGraphハイ圧縮を2-9%向上させ、エンコーダレベルのゲインは、弱い順序のデータセットのオーダレベルゲインよりも一貫して小さくする。 エンコーダフレームワークは、低オーバヘッドランダムアクセスをサポートする自己補完ビットストリームも生成する。

関連論文リスト

• OCTOPUS: Optimized KV Cache for Transformers via Octahedral Parametrization Under optimal Squared error quantization [13.284869342523095]
  キー値(KV)は自己回帰推論におけるメモリ帯域幅とフットプリントを支配している。 最近の回転プリコンディショニングコーデック(TurboQuant, PolarQuant)は、KV圧縮のほぼ最適レシピである。 OCTOPUSはこのパラダイムを回転座標三重項の結合量子化によって前進させる。
  論文  参考訳（メタデータ） (2026-05-20T14:19:51Z)
• Scope: Selective Cross-modal Orchestration of Visual Perception Experts [51.29218658993354]
  SCOPEはMixture-of-Encodersフレームワークで、インスタンスレベルのルーティングを通じて画像テキストペアごとに1つの特別なエンコーダを動的に選択する。 軽量ルータは、テキストプロンプトと共有視覚特徴間の相互アテンションを使用して、ルーティングされたエンコーダから最適なエンコーダを選択する。 注目すべきは、共有された1つプラス1つのルーティングエンコーダを持つSCOPEは、4つの余分なエンコーダを同時に使用し、計算量を24-49%削減する。
  論文  参考訳（メタデータ） (2025-10-14T20:33:01Z)
• Representing 3D Shapes With 64 Latent Vectors for 3D Diffusion Models [21.97308739556984]
  COD-VAEは3D形状を1D潜伏ベクトルからなるCampact集合に符号化する。 その結果,COD-VAEは品質を維持しつつ,ベースラインの16倍の圧縮を実現していることがわかった。
  論文  参考訳（メタデータ） (2025-03-11T06:29:39Z)
• HC-GAE: The Hierarchical Cluster-based Graph Auto-Encoder for Graph Representation Learning [24.641827220223682]
  グラフデータ解析に有効な構造特性を学習できる階層型クラスタベースGAE(HC-GAE)を開発した。 提案したHC-GAEは,ノード分類やグラフ分類に有効な表現を生成できる。
  論文  参考訳（メタデータ） (2024-05-23T16:08:04Z)
• Graph Neural Networks for Enhanced Decoding of Quantum LDPC Codes [6.175503577352742]
  量子低密度パリティチェック(LDPC)符号に対する微分可能な反復デコーダを提案する。 提案アルゴリズムは,古典的信念伝達(BP)復号段階と中間グラフニューラルネットワーク(GNN)層から構成される。
  論文  参考訳（メタデータ） (2023-10-26T19:56:25Z)
• V-DETR: DETR with Vertex Relative Position Encoding for 3D Object Detection [73.37781484123536]
  DETRフレームワークを用いた点雲のための高性能な3次元物体検出器を提案する。 限界に対処するため,新しい3次元相対位置(3DV-RPE)法を提案する。 挑戦的なScanNetV2ベンチマークで例外的な結果を示す。
  論文  参考訳（メタデータ） (2023-08-08T17:14:14Z)
• SegViTv2: Exploring Efficient and Continual Semantic Segmentation with Plain Vision Transformers [76.13755422671822]
  本稿では,エンコーダ・デコーダ・フレームワークを用いた意味的セグメンテーションのためのプレーンビジョン変換器(ViT)の能力について検討する。 Intention-to-Mask(atm)モジュールを導入し、平易なViTに有効な軽量デコーダを設計する。 我々のデコーダは、様々なViTバックボーンを使用して人気のあるデコーダUPerNetより優れ、計算コストの5%程度しか消費しない。
  論文  参考訳（メタデータ） (2023-06-09T22:29:56Z)
• Reducing Redundancy in the Bottleneck Representation of the Autoencoders [98.78384185493624]
  オートエンコーダは教師なしニューラルネットワークの一種であり、様々なタスクを解くのに使用できる。 本稿では,ボトルネック表現における特徴冗長性を明示的に罰する手法を提案する。 我々は,3つの異なるデータセットを用いた次元削減,MNISTデータセットを用いた画像圧縮,ファッションMNISTを用いた画像デノナイズという,さまざまなタスクにまたがってアプローチを検証した。
  論文  参考訳（メタデータ） (2022-02-09T18:48:02Z)
• Small Lesion Segmentation in Brain MRIs with Subpixel Embedding [105.1223735549524]
  ヒト脳のMRIスキャンを虚血性脳梗塞と正常組織に分割する方法を提案する。 本稿では,空間展開埋め込みネットワークによって予測を導出する標準エンコーダデコーダの形式でニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-09-18T00:21:17Z)
• Rethinking Semantic Segmentation from a Sequence-to-Sequence Perspective with Transformers [149.78470371525754]
  セマンティックセグメンテーションをシーケンスからシーケンスへの予測タスクとして扱う。 具体的には、イメージをパッチのシーケンスとしてエンコードするために純粋なトランスをデプロイします。 トランスのすべての層でモデル化されたグローバルコンテキストにより、このエンコーダは、SETR(SEgmentation TRansformer)と呼ばれる強力なセグメンテーションモデルを提供するための単純なデコーダと組み合わせることができる。 SETRはADE20K(50.28% mIoU)、Pascal Context(55.83% mIoU)、およびCityscapesの競争力のある結果に関する最新技術を達成している。
  論文  参考訳（メタデータ） (2020-12-31T18:55:57Z)

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。