Fugu-MT 論文翻訳(概要): Reinforcement Learning for Microcanonical Graph Ensemble with Assortativity Constraints

論文の概要: Reinforcement Learning for Microcanonical Graph Ensemble with Assortativity Constraints

arxiv url: http://arxiv.org/abs/2605.23285v1
Date: Fri, 22 May 2026 06:57:41 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-25 17:29:20.229185
Title: Reinforcement Learning for Microcanonical Graph Ensemble with Assortativity Constraints
Title（参考訳）: アスカニティ制約付きマイクロカノニカルグラフの強化学習
Authors: Hoyun Choi, Junghyo Jo, Deok-Sun Lee,
Abstract要約: ネットワーク構造がどのように関数を決定するかは基本的な問題であり、正確に制御された構造特性を持つグラフアンサンブルで調べることができる。本稿では,Deep Microcanonical Graph Generator (DMGG)について紹介する。
参考スコア（独自算出の注目度）: 1.0896567381206717
License: http://creativecommons.org/licenses/by/4.0/
Abstract: How network structure determines function is a fundamental question, and it can be investigated by graph ensembles with precisely controlled structural properties. Canonical approaches, formulated as exponential random graph models (ERGMs), enforce constraints only in expectation, allowing individual realizations to fluctuate around the target. Conversely, microcanonical ensembles impose hard constraints exactly, but practical sampling methods beyond fixing the degree sequence have remained out of reach. Here we introduce the Deep Microcanonical Graph Generator (DMGG), a reinforcement learning (RL) framework that transforms any given graph through degree-preserving rewirings to exactly reach a prescribed assortativity, which characterizes the degree--degree correlation of adjacent nodes. Instead of relying on the entropically dominated Metropolis--Hastings dynamics of the ERGM, DMGG employs a policy-guided search that maximally alters the joint-degree matrix. This eliminates exhaustive parameter tuning and accelerates generation by at least an order of magnitude while preserving configurational diversity. As DMGG generalizes across various graph sizes, sparsities, and topologies, it provides exact null models that allow for the quantitative isolation of secondary observables, such as the clustering coefficient. These results establish RL as a practical and powerful paradigm for generating hard-constrained graphs, opening avenues to investigate structure-function relationships free from ensemble artifacts.
Abstract（参考訳）: ネットワーク構造がどのように関数を決定するかは基本的な問題であり、正確に制御された構造特性を持つグラフアンサンブルで調べることができる。指数的ランダムグラフモデル (ERGMs) として定式化された標準的アプローチは、期待においてのみ制約を強制し、個々の実現がターゲットの周りに変動することを可能にした。逆に、マイクロカノニカルアンサンブルは厳密な制約を課すが、次数列を固定する以外の実用的なサンプリング手法は到達できないままである。本稿では, 隣接ノードの次数-次相関を特徴付ける, 次数保存によるグラフの変換を行う強化学習(RL)フレームワークであるDeep Microcanonical Graph Generator(DMGG)を紹介する。ERGMのエントロピー的に支配されるメトロポリス-ハスティングスダイナミクスに頼る代わりに, DMGGは, 結合度行列を最大に変化させるポリシー誘導探索を用いる。これにより、徹底的なパラメータチューニングを排除し、構成の多様性を維持しながら、少なくとも1桁のオーダーで生成を高速化する。 DMGGは様々なグラフサイズ、空間、トポロジーを一般化するので、クラスタリング係数のような二次可観測物の定量的分離を可能にする正確なヌルモデルを提供する。これらの結果は、RLをハード制約グラフを生成するための実用的で強力なパラダイムとして確立し、アンサンブルアーティファクトから解放された構造-機能関係を調べるための道を開いた。

関連論文リスト

Differentiable Tripartite Modularity for Clustering Heterogeneous Graphs [0.0]
相互作用を通して連結された3つのノードタイプからなるグラフに対して,三部分母モジュラリティの微分可能な定式化を導入する。コミュニティ構造は、三部グラフ上の重み付きコパスと、高密度な三階テンソルの明示的な構成を避けるための正確な分解計算によって定義される。提案手法を大規模都市カダストラルデータに適用し,頑健な収束挙動を示し,空間的コヒーレントな分割を生成する枠組みを検証した。
論文参考訳（メタデータ） (2026-02-10T15:06:53Z)
Pruning at Initialisation through the lens of Graphon Limit: Convergence, Expressivity, and Generalisation [16.628325681877556]
初期化法におけるプルーニングは、訓練前にスパースで訓練可能なワークを発見するが、その理論的メカニズムは解明されていない。本研究では、離散固有プルーニングをグラフトンによるグラフ極限理論に結合し、PaIマスクのグラフ極限を確立する。 i) アクティブ座標部分空間の次元にのみ依存するスパースネットワークに対する普遍近似定理と(ii) グラノン-NTK一般化の2つの基本的な理論結果が導かれる。
論文参考訳（メタデータ） (2026-02-06T13:02:47Z)
Variational Bayesian Flow Network for Graph Generation [54.94088904387278]
グラフ生成のための変分ベイズフローネットワーク(VBFN)を提案する。 VBFNは、構造化精度で支配されるトラクタブルジョイントガウス変分信念ファミリーに対して変分リフトを行う。合成グラフと分子グラフのデータセットでは、VBFNは忠実度と多様性を改善し、ベースライン法を超えている。
論文参考訳（メタデータ） (2026-01-30T03:59:38Z)
Transformers Provably Learn Directed Acyclic Graphs via Kernel-Guided Mutual Information [91.66597637613263]
注意機構を活用するトランスフォーマーベースのモデルは、グラフ内の複雑な依存関係をキャプチャする上で、強い経験的成功を示している。本稿では,カーネル誘導相互情報(KG-MI)を$f$-divergenceに基づく新しい情報理論指標を提案する。我々は、K$親和性DAGによって生成された任意のシーケンスが、勾配上昇による単層マルチヘッドトランスを訓練し、大域的最適時間に収束することを証明した。
論文参考訳（メタデータ） (2025-10-29T14:07:12Z)
Composable Score-based Graph Diffusion Model for Multi-Conditional Molecular Generation [85.58520120011269]
本研究では,具体的スコアを用いてスコアマッチングを離散グラフに拡張するComposable Score-based Graph Diffusion Model (CSGD)を提案する。 CSGDは従来の手法よりも平均15.3%の制御性向上を実現していることを示す。本研究は, 離散グラフ生成におけるスコアベースモデリングの実用的利点と, フレキシブルでマルチプロパタイトな分子設計のためのキャパシティを強調した。
論文参考訳（メタデータ） (2025-09-11T13:37:56Z)
Energy-Based Coarse-Graining in Molecular Dynamics: A Flow-Based Framework without Data [0.0]
粗粒モデル(CG)は分子シミュレーションの複雑さを減らす効果的な経路を提供する。本稿では,全原子ボルツマン分布を直接対象とするCGのための完全データフリーな生成フレームワークを提案する。本手法はボルツマン分布のすべてのモードを捕捉し、原子配置を再構成し、自動的に物理的に意味のあるCG表現を学習することを示す。
論文参考訳（メタデータ） (2025-04-29T17:05:27Z)
Regularization of Mixture Models for Robust Principal Graph Learning [0.0]
D$次元データポイントの分布から主グラフを学習するために,Mixture Modelsの正規化バージョンを提案する。モデルのパラメータは期待最大化手順によって反復的に推定される。
論文参考訳（メタデータ） (2021-06-16T18:00:02Z)
Adversarial Graph Disentanglement [47.27978741175575]
実世界のグラフは複雑な位相構造を持ち、しばしば異なる潜在因子の相互作用によって形成される。グラフ表現学習のためのアンダーラインtextbfAdversarial underlinetextbfDisentangled underlinetextbfGraph underlinetextbfConvolutional underlinetextbfNetwork (ADGCN)を提案する。
論文参考訳（メタデータ） (2021-03-12T14:11:36Z)
Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。本稿では,非自明なERGに対する近似フレームワークを提案する。我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。