論文の概要: Gated Graph Attention Networks with Learnable Temperature

• arxiv url: http://arxiv.org/abs/2605.29803v1
• Date: Thu, 28 May 2026 11:48:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 05:02:24.580938
• Title: Gated Graph Attention Networks with Learnable Temperature
• Title（参考訳）: 学習可能な温度付きグラフ注意ネットワーク
• Authors: Zhongtian Ma, Hao Wu, Yexin Zhang, Qiaosheng Zhang, Zhen Wang,
• Abstract要約: グラフアテンションフィルタは、信頼できない次元の影響を減らすために、特徴またはメッセージ応答を特徴付ける。 学習可能な温度は、注意係数分布のシャープネスを動的に調整する。
• 参考スコア（独自算出の注目度）: 8.906255338125371
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph attention networks learn neighbor importance through data-dependent coefficients, but standard layers lack explicit control over unreliable feature dimensions and use fixed sharpness of attention coefficient distributions. This paper proposes gated graph attention and learnable temperature for common graph attention mechanisms. Gated graph attention filters feature or message responses to reduce the influence of unreliable dimensions, while learnable temperature dynamically adjusts the sharpness of the attention coefficient distribution. Experiments on homogeneous and heterophilic heterogeneous benchmarks show that the proposed variants consistently improve the corresponding graph attention backbones, and controlled noise studies further verify their behavior under feature perturbations. Theoretical analysis explains these results by showing that gating improves robustness when only part of the feature coordinates are reliable, while temperature is beneficial when global noise weakens the discriminability of node features.
• Abstract（参考訳）: グラフアテンションネットワークは、データ依存係数を通じて隣り合う重要性を学習するが、標準層は信頼できない特徴次元を明示的に制御できず、アテンション係数分布の固定シャープネスを使用する。 本稿では,共通グラフ注意機構のためのゲートグラフ注意と学習可能な温度を提案する。 学習可能な温度は、注目係数分布のシャープネスを動的に調整する一方で、信頼できない寸法の影響を低減するためのグラフ注意フィルタやメッセージ応答を特徴付ける。 同種および異種異種ベンチマークの実験により、提案された変種は、対応するグラフ注意バックボーンを一貫して改善し、制御されたノイズ研究により、特徴摂動下でのそれらの挙動がさらに検証された。 理論解析では、ゲーティングは特徴座標の一部しか信頼できない場合の堅牢性を向上し、一方、グローバルノイズがノード特徴の識別性を弱める場合の温度は有益であることを示した。

関連論文リスト

• WATS: Calibrating Graph Neural Networks with Wavelet-Aware Temperature Scaling [43.23012871829196]
  グラフウェーブレットの特徴に基づいてノード固有の温度を割り当てるポストホックキャリブレーションフレームワークであるWavelet-Aware Temperature Scaling (WATS)を提案する。 WATSはグラフウェーブレットのスケーラビリティとトポロジ的感度を利用して信頼性の推定を洗練させる。
  論文  参考訳（メタデータ） (2025-06-30T12:23:57Z)
• Mitigating Over-Squashing in Graph Neural Networks by Spectrum-Preserving Sparsification [81.06278257153835]
  本稿では,構造的ボトルネック低減とグラフ特性保存のバランスをとるグラフ再構成手法を提案する。 本手法は、疎性を維持しながら接続性を高めたグラフを生成し、元のグラフスペクトルを大半保存する。
  論文  参考訳（メタデータ） (2025-06-19T08:01:00Z)
• Mitigating Graph Covariate Shift via Score-based Out-of-distribution Augmentation [16.59129444793973]
  トレーニングとテストデータセット間の分散シフトは、グラフ学習におけるモデルパフォーマンスを著しく損なう。 本稿では,全体のグラフパターンの妥当性と安定性を保ちつつ,未知の環境特徴を合成するスコアベースのグラフ生成戦略を用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-10-23T02:09:02Z)
• Through the Dual-Prism: A Spectral Perspective on Graph Data Augmentation for Graph Classification [67.35058947477631]
  本稿では,DP-Noise や DP-Mask などの拡張グラフを多角化しながら,重要なグラフ特性を維持できるDual-Prism (DP) 拡張手法を提案する。 大規模な実験により、我々のアプローチの効率が検証され、グラフデータ拡張のための新しい有望な方向が提供される。
  論文  参考訳（メタデータ） (2024-01-18T12:58:53Z)
• Towards Self-Interpretable Graph-Level Anomaly Detection [73.1152604947837]
  グラフレベルの異常検出(GLAD)は、コレクションの大多数と比べて顕著な相違を示すグラフを識別することを目的としている。 本稿では,異常なグラフを検出し,同時に情報的説明を生成する自己解釈グラフaNomaly dETectionモデル(SIGNET)を提案する。
  論文  参考訳（メタデータ） (2023-10-25T10:10:07Z)
• Causally-guided Regularization of Graph Attention Improves Generalizability [69.09877209676266]
  本稿では,グラフアテンションネットワークのための汎用正規化フレームワークであるCARを紹介する。 メソッド名は、グラフ接続に対するアクティブ介入の因果効果とアテンションメカニズムを一致させる。 ソーシャル・メディア・ネットワーク規模のグラフでは、CAR誘導グラフ再構成アプローチにより、グラフの畳み込み手法のスケーラビリティとグラフの注意力の向上を両立させることができる。
  論文  参考訳（メタデータ） (2022-10-20T01:29:10Z)
• Graph Convolutional Networks using Heat Kernel for Semi-supervised Learning [47.18608594687675]
  グラフベースの半教師付き学習の鍵となるのは、グラフ構造によってノード上のラベルや機能の滑らかさをキャプチャすることだ。 本稿では,低周波フィルタの高速化とグラフ上の信号変動のスムーズ性向上に熱カーネルを活用するGraphHeatを提案する。 GraphHeatは、3つのベンチマークデータセットにわたるグラフベースの半教師付き分類タスクにおいて、最先端の結果を達成する。
  論文  参考訳（メタデータ） (2020-07-27T11:53:52Z)

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。