論文の概要: Neural Acceleration for Graph Partitioning

• arxiv url: http://arxiv.org/abs/2605.21519v1
• Date: Mon, 18 May 2026 18:08:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 20:14:18.456784
• Title: Neural Acceleration for Graph Partitioning
• Title（参考訳）: グラフ分割のためのニューラルアクセラレーション
• Authors: Joshua Dennis Booth, Vishvam Patel,
• Abstract要約: 本稿では,従来の固有値計算を単純な人工ニューラルネットワークモデルに置き換えることで,スペクトル二分割の高速化手法を提案する。 提案手法は,スペクトル二分法に匹敵する分割品質を実現するとともに,計算オーバーヘッドを大幅に低減することを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph Partitioning is a critical problem in numerous scientific and engineering domains including social network analysis, VLSI design, and many more. Spectral methods are known to produce quality partitions while minimizing edge cuts for a wide range of problems. However, the computational cost associated with the calculation of the Fiedler vector, an eigenvector associated with the second smallest eigenvalue of the graph Laplacian, remains a significant bottleneck due to memory issues and computational costs. In this paper, we present an accelerated approach to spectral bisection partitioning by replacing the traditional eigenvalue calculation with a simple artificial neural network model to approximate the Fiedler vector. We demonstrate that our approach achieves partitioning quality comparable to spectral bisection while significantly reducing the computational overhead, making it more scalable and efficient for large-scale problems
• Abstract（参考訳）: グラフ分割は、ソーシャルネットワーク分析、VLSI設計など、多くの科学・工学分野において重要な問題である。 スペクトル法は、様々な問題に対してエッジカットを最小化しながら品質分割を生成することが知られている。 しかし、グラフラプラシアンの第二の最小固有値に付随する固有ベクトルであるFiedlerベクトルの計算に伴う計算コストは、メモリ問題と計算コストのために大きなボトルネックとなっている。 本稿では、従来の固有値計算を単純な人工ニューラルネットワークモデルに置き換え、ファイドラーベクトルを近似することでスペクトル二分割分割を高速化する手法を提案する。 提案手法は,スペクトル二分法に匹敵する分割品質を実現するとともに,計算オーバーヘッドを大幅に低減し,大規模問題に対してよりスケーラブルかつ効率的に処理できることを実証する。

関連論文リスト

• Rethinking Efficient Graph Coarsening via a Non-Selfishness Principle [56.92868481531399]
  粗大化における近隣住民の集団干渉を優先する非利己的原則を提案する。 局所等方性仮定に基づいて、O(dot d)干渉評価をO(d)に還元する高速なNOPE*を導出する。 粗いグラフの学習は、元のグラフに匹敵する性能を示し、LLMベースのグラフ推論よりも優れた性能を示すことができる。
  論文  参考訳（メタデータ） (2026-05-13T05:24:35Z)
• Improved large-scale graph learning through ridge spectral sparsification [65.84577791298442]
  分散ストリーミング環境におけるラプラシアンLの学習問題を考察する。 この設定では、L の分散表現を維持しながら、素早く、あるいはほぼ学習することは困難である。 本稿では, 有効抵抗の小さなサブセットを維持することにより, ラプラシアンを効率的に分散させる新しいアルゴリズムGSQUEAKを提案する。
  論文  参考訳（メタデータ） (2026-04-22T00:49:31Z)
• PIBNet: a Physics-Inspired Boundary Network for Multiple Scattering Simulations [0.0]
  境界要素法(BEM)は、均質領域における多重散乱問題を解くための効率的な数値的枠組みを提供する。 PIBNetは、解のトレースを近似するために設計された学習ベースのアプローチである。 本稿では,様々な種類の多重散乱問題のデータセットからなるベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-11-26T16:42:28Z)
• Faster Inference of Cell Complexes from Flows via Matrix Factorization [13.248211055426077]
  グラフ上に観測されたエッジフロー信号のセットが与えられた場合、観測されたエッジフロー信号は、セルコンプレックス上の勾配とカールフローのスパース結合として表現されるように、グラフをセルコンプレックスに持ち上げる。 私たちは、新しいアプローチが、ほとんどの設定でわずかにパフォーマンスが劣る一方、前よりも大幅にコストが低いことを示しています。
  論文  参考訳（メタデータ） (2025-08-29T07:32:29Z)
• One-step Bipartite Graph Cut: A Normalized Formulation and Its Application to Scalable Subspace Clustering [56.81492360414741]
  両部グラフの1ステップ正規化カットを、特に線形時間複雑性で実施する方法を示す。 本稿では、まず、正規化制約付き一段階二分グラフカット基準を特徴付けるとともに、そのトレース問題に対する等価性を理論的に証明する。 このカット基準を、適応アンカー学習、二部グラフ学習、一段階正規化二部グラフ分割を同時にモデル化するスケーラブルなサブスペースクラスタリングアプローチに拡張する。
  論文  参考訳（メタデータ） (2023-05-12T11:27:20Z)
• Sparse Graph Learning with Eigen-gap for Spectral Filter Training in Graph Convolutional Networks [38.92746674849527]
  スパースグラフ Laplacian matrix $L$ to $barC-1$ は、より深いグラフ畳み込みニューラルネット(GCN)アーキテクチャを促進するために使用できることを示す。 実験の結果,提案手法は明示的な固有ギャップ最適化を伴わない競合方式と比較して,より深いGCNとより小さな誤差を生じることがわかった。
  論文  参考訳（メタデータ） (2022-02-28T03:39:48Z)
• Not Half Bad: Exploring Half-Precision in Graph Convolutional Neural Networks [8.460826851547294]
  現代の機械学習を用いた効率的なグラフ解析は、ますます注目を集めている。 ディープラーニングアプローチは、隣接行列全体にわたって運用されることが多い。 実行時間とメモリ要求の両方を削減するための効率的な対策を特定することが望ましい。
  論文  参考訳（メタデータ） (2020-10-23T19:47:42Z)
• Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。 線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。 実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
  論文  参考訳（メタデータ） (2020-06-16T21:56:22Z)
• Fast Graph Attention Networks Using Effective Resistance Based Graph Sparsification [70.50751397870972]
  FastGATは、スペクトルスペーシフィケーションを用いて、注目に基づくGNNを軽量にし、入力グラフの最適プルーニングを生成する手法である。 我々は,ノード分類タスクのための大規模実世界のグラフデータセット上でFastGATを実験的に評価した。
  論文  参考訳（メタデータ） (2020-06-15T22:07:54Z)
• Fast Convex Relaxations using Graph Discretizations [13.977100716044102]
  マッチングと視覚問題はコンピュータ・コンピューティング・アプリケーションの基本である。 応用技術は、実用的な応用においてその実現可能性を減らすための重要な計算努力が伴う。 このセットアップにより、SLICやCut-Pursuitによって構築された問題に忠実に取り組むことができます。
  論文  参考訳（メタデータ） (2020-04-23T11:14:38Z)
• Semiparametric Nonlinear Bipartite Graph Representation Learning with Provable Guarantees [106.91654068632882]
  半パラメトリック指数族分布におけるパラメータの統計的推定問題として、両部グラフを考察し、その表現学習問題を定式化する。 提案手法は, 地中真理付近で強い凸性を示すため, 勾配降下法が線形収束率を達成できることを示す。 我々の推定器は指数族内の任意のモデル誤特定に対して頑健であり、広範な実験で検証されている。
  論文  参考訳（メタデータ） (2020-03-02T16:40:36Z)

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。