論文の概要: Invariant-Based Weight Sharing for Message Passing

• arxiv url: http://arxiv.org/abs/2605.25750v1
• Date: Mon, 25 May 2026 12:02:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.934146
• Title: Invariant-Based Weight Sharing for Message Passing
• Title（参考訳）: メッセージパッシングのための不変量に基づくウェイトシェアリング
• Authors: Florian Seiffarth,
• Abstract要約: メッセージパッシングニューラルネットワーク(MPNN)は、グラフ構造化ドメインの表現を学習するための強力なフレームワークである。 本稿では,グラフ構造に固有の情報を明示的に組み込んだ構造対応重み共有方式を提案する。 簡単なエンコーダデコーダアーキテクチャでこの原理をインスタンス化し,学習可能な隣接性とトランスフォーマーのような接続性を備えたMPNNを実現する。
• 参考スコア（独自算出の注目度）: 0.2538209532048866
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Message-passing neural networks (MPNNs) are a powerful framework for learning representations of graph-structured domains. However, weights in MPNNs act on features only, limiting their ability to capture structural patterns. We introduce a novel structure-aware weight sharing principle that explicitly incorporates information inherent to the graph structure. Weights are indexed directly by user-chosen graph invariants, i.e., functions preserved under node permutations, enabling systematic reuse across structurally equivalent subgraphs. We present ShareGNNs, which instantiate this principle within a simple encoder-decoder architecture, resulting in an MPNN with learnable adjacency and transformer-like connectivity. We show that their expressivity is at least as strong as the discriminative power of the chosen invariants, providing explicit control over the model complexity. Experiments on synthetic and real-world data, as well as subgraph counting tasks, demonstrate consistent improvements over standard MPNNs, competitive expressivity beyond the 1-WL test, and scalability to large datasets.
• Abstract（参考訳）: メッセージパッシングニューラルネットワーク(MPNN)は、グラフ構造化ドメインの表現を学習するための強力なフレームワークである。 しかし、MPNNの重みは機能のみに作用し、構造パターンをキャプチャする能力を制限する。 本稿では,グラフ構造に固有の情報を明示的に組み込んだ構造対応重み共有方式を提案する。 ウェイトは、ノード置換の下で保存される関数、すなわち、構造的に等価な部分グラフの体系的な再利用を可能にする、ユーザ・チョーゼングラフ不変量によって直接インデックスされる。 簡単なエンコーダデコーダアーキテクチャでこの原理をインスタンス化し,学習可能な隣接性とトランスフォーマーのような接続性を備えたMPNNを実現する。 それらの表現性は、選択された不変量の識別力と同じくらい強く、モデルの複雑さを明示的に制御できることが示される。 合成および実世界のデータ、およびサブグラフカウントタスクの実験は、標準MPNNよりも一貫した改善、1-WLテスト以上の競合表現性、大規模データセットへのスケーラビリティを示す。

関連論文リスト

• Plain Transformers are Surprisingly Powerful Link Predictors [57.01966734467712]
  リンク予測はグラフ機械学習における中核的な課題であり、リッチで複雑なトポロジ的依存関係をキャプチャするモデルを必要とする。 グラフニューラルネットワーク(GNN)が標準的なソリューションであるのに対して、最先端のパイプラインは明示的な構造やメモリ集約的なノードの埋め込みに依存していることが多い。 本報告では,手作りのプリミティブに置き換えるエンコーダのみのプレーントランスであるPENCILについて,サンプリングしたローカルサブグラフに注目する。
  論文  参考訳（メタデータ） (2026-02-02T02:45:52Z)
• Parameter-Free Structural-Diversity Message Passing for Graph Neural Networks [8.462209415744098]
  グラフニューラルネットワーク(GNN)はノード分類などの構造化データモデリングタスクにおいて顕著な性能を示した。 本稿では,構造的多様性に基づくパラメータフリー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。 このフレームワークは構造多様性理論にインスパイアされ、統一された構造多様性メッセージパッシング機構を設計する。
  論文  参考訳（メタデータ） (2025-08-27T13:42:45Z)
• Learning Efficient Positional Encodings with Graph Neural Networks [109.8653020407373]
  グラフのための学習可能なPEの新しいフレームワークであるPEARLを紹介する。 PEARL は線形複雑性を持つ固有ベクトルの同変関数を近似し、その安定性と高表現力を厳密に確立する。 解析の結果、PEARLは線形複雑度を持つ固有ベクトルの同変関数を近似し、その安定性と高表現能を厳密に確立することを示した。
  論文  参考訳（メタデータ） (2025-02-03T07:28:53Z)
• Learning to Model Graph Structural Information on MLPs via Graph Structure Self-Contrasting [50.181824673039436]
  本稿では,グラフ構造情報をメッセージパッシングなしで学習するグラフ構造自己コントラスト(GSSC)フレームワークを提案する。 提案するフレームワークは,構造情報を事前知識として暗黙的にのみ組み込む,MLP(Multi-Layer Perceptrons)に基づいている。 これはまず、近傍の潜在的非形式的あるいはノイズの多いエッジを取り除くために構造的スペーシングを適用し、その後、スペーシングされた近傍で構造的自己コントラストを行い、ロバストなノード表現を学ぶ。
  論文  参考訳（メタデータ） (2024-09-09T12:56:02Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• Learning Invariant Representations of Graph Neural Networks via Cluster Generalization [58.68231635082891]
  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モデリングでますます人気が高まっている。 本稿では,構造変化が発生した場合,GNNの性能が著しく低下することが実験的に確認された。 本稿では,GNNの不変表現を学習するクラスタ情報伝達(CIT)機構を提案する。
  論文  参考訳（メタデータ） (2024-03-06T10:36:56Z)
• 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)
• Towards Better Generalization with Flexible Representation of Multi-Module Graph Neural Networks [0.27195102129094995]
  ランダムグラフ生成器を用いて,グラフサイズと構造特性がGNNの予測性能に与える影響について検討する。 本稿では,GNNが未知のグラフに一般化できるかどうかを決定する上で,平均ノード次数が重要な特徴であることを示す。 集約された入力に対して単一の正準非線形変換を一般化することにより、ネットワークが新しいグラフに柔軟に対応可能なマルチモジュールGNNフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-14T12:13:59Z)
• Equivariant Subgraph Aggregation Networks [23.26140936226352]
  本稿では,この問題に対処するためのEquivariant Subgraph Aggregation Networks (ESAN) という新しいフレームワークを提案する。 2つのグラフはMPNNでは区別できないかもしれないが、しばしば区別可能な部分グラフを含む。 グラフ同型に対する1次元Weisfeiler-Leman(1-WL)テストの新しい変種を開発し、ESANの表現性に対する下界を証明した。 サブグラフ選択ポリシーや同変ニューラルアーキテクチャといった設計選択がアーキテクチャの表現力にどのように影響するかを記述する理論的結果を提供する。
  論文  参考訳（メタデータ） (2021-10-06T16:45:07Z)

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。