論文の概要: Graph Neural Networks Are Not Continuous Across Graph Resolutions

• arxiv url: http://arxiv.org/abs/2605.31315v1
• Date: Fri, 29 May 2026 13:46:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.6458
• Title: Graph Neural Networks Are Not Continuous Across Graph Resolutions
• Title（参考訳）: グラフニューラルネットワークはグラフ解像度を横断する連続的ではない
• Abstract要約: グラフニューラルネットワーク(GNN)はグラフ収束の全ての自然なモードに対して連続ではないことを示す。 我々は、標準GNNアーキテクチャを基本に修正し、スケールをまたいだモデルに連続性を持たせる。
• 参考スコア（独自算出の注目度）: 59.362933392877956
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We show that contrary to conventional wisdom in the community, graph neural networks (GNNs) are not continuous with respect to all natural modes of graph convergence. As a result, GNNs may generate substantially different latent representations for graphs that are very similar. In particular they assign vastly different latent embeddings to graphs that represent the same underlying object at different resolution scales. We trace this failure of continuity back to a structural obstruction arising from commonly used information-propagation schemes. Building on this insight we then derive a principled modification to standard GNN architectures which equips models with continuity across scales. The proposed modification enables consistent integration of distinct resolutions and reliable generalization between them. We systematically validate our theoretical findings in a wide range of numerical experiments.
• Abstract（参考訳）: コミュニティにおける従来の知恵とは対照的に、グラフニューラルネットワーク(GNN)はグラフ収束の全ての自然なモードに対して連続的ではないことを示す。 結果として、GNNは、非常に類似したグラフに対して、かなり異なる潜在表現を生成することができる。 特に、異なる解像度スケールで同じ基礎となるオブジェクトを表すグラフに、非常に異なる潜在埋め込みを割り当てる。 この連続性の失敗は、一般的に使用される情報伝達スキームから生じる構造的障害に遡る。 この洞察に基づいて、我々は標準のGNNアーキテクチャを原則的に修正し、スケールをまたいだ連続性を持つモデルを構築する。 提案した修正は、異なる解像度の一貫性のある統合とそれらの間の信頼性の高い一般化を可能にする。 我々は,幅広い数値実験で理論的知見を体系的に検証した。

関連論文リスト

• Generalization, Expressivity, and Universality of Graph Neural Networks on Attributed Graphs [53.27010448621372]
  ノード属性を持つ属性グラフ上でのグラフニューラルネットワーク(GNN)の普遍性と一般化を解析する。 我々は、GNNに対する普遍近似定理と、属性グラフの任意のデータ分布上のGNNの有界一般化を証明した。 我々の研究は、属性のないグラフのみの導出理論、GNNが連続だが分離パワーのない導出コンパクトなメトリクス、GNNが連続かつ分離ポイントである導出指標を拡張・統合する。
  論文  参考訳（メタデータ） (2024-11-08T10:34:24Z)
• Generalization of Geometric Graph Neural Networks with Lipschitz Loss Functions [84.01980526069075]
  幾何グラフニューラルネットワーク(GNN)の一般化能力について検討する。 我々は,このGNNの最適経験リスクと最適統計リスクとの一般化ギャップを証明した。 複数の実世界のデータセットに対する実験により、この理論結果を検証する。
  論文  参考訳（メタデータ） (2024-09-08T18:55:57Z)
• Generalization of Graph Neural Networks is Robust to Model Mismatch [84.01980526069075]
  グラフニューラルネットワーク(GNN)は、その一般化能力によってサポートされている様々なタスクにおいて、その効果を実証している。 本稿では,多様体モデルから生成される幾何グラフで動作するGNNについて検討する。 本稿では,そのようなモデルミスマッチの存在下でのGNN一般化の堅牢性を明らかにする。
  論文  参考訳（メタデータ） (2024-08-25T16:00:44Z)
• A Manifold Perspective on the Statistical Generalization of Graph Neural Networks [84.01980526069075]
  我々は、スペクトル領域の多様体からサンプリングされたグラフ上のGNNの統計的一般化理論を確立するために多様体の視点を取る。 我々はGNNの一般化境界が対数スケールのグラフのサイズとともに線形に減少し、フィルタ関数のスペクトル連続定数とともに線形的に増加することを証明した。
  論文  参考訳（メタデータ） (2024-06-07T19:25:02Z)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• 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)
• Implicit vs Unfolded Graph Neural Networks [29.803948965931212]
  暗黙的かつ展開的なGNNは、異なる規則間で強いノード分類精度が得られることを示す。 IGNNはメモリ効率がかなり高いが、UGNNモデルはユニークで統合されたグラフアテンション機構と伝搬規則をサポートしている。
  論文  参考訳（メタデータ） (2021-11-12T07:49:16Z)
• Generalization of graph network inferences in higher-order graphical models [5.33024001730262]
  確率的グラフィカルモデルは、複雑な統計構造を記述する強力なツールを提供する。 辺化のような推論は 一般グラフでは難解です 我々は,多変数相互作用を含むグラフィカルモデル上での高速な近似推定を実現するために,Recurrent Factor Graph Neural Network (RF-GNN) を定義する。
  論文  参考訳（メタデータ） (2021-07-12T20:51:27Z)

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。