論文の概要: Scaling Higher-Order Graph Learning with Maximal Clique Complexes

• arxiv url: http://arxiv.org/abs/2605.31373v1
• Date: Fri, 29 May 2026 14:42:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.674626
• Title: Scaling Higher-Order Graph Learning with Maximal Clique Complexes
• Title（参考訳）: 最大斜交複素数を用いた高次グラフ学習のスケーリング
• Abstract要約: グラフニューラルネットワーク(GNN)はペアワイズ相互作用のモデリングに限られるが、セルコンプレックスに基づく高次モデルはより表現性が向上するが、スケーラビリティの低下に悩まされることが多い。 計算効率を向上しつつ,CWLテストの表現性を保ちつつ,簡易かつ分解されたセルライスフェイラー・ルマン試験(sCWL,fCWL)を導入する。 さらに,実験性能を維持しつつ,時間とメモリの複雑さを低減し,スケーラブルなCWNを実現する。
• 参考スコア（独自算出の注目度）: 12.285621964183854
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph neural networks (GNNs) are limited to modeling pairwise interactions, while higher-order models based on cell complexes achieve greater expressivity but often suffer from poor scalability. We introduce simplified and factored cellular Weisfeiler Leman tests (sCWL and fCWL), which preserve the expressivity of the CWL test while improving computational efficiency. We further introduce the maximal clique complex, enabling scalable CWNs with reduced time and memory complexity while retaining strong empirical performance. To avoid explicit clique enumeration, we propose CliqueWalk, a biased random walk that samples maximal cliques and scales linearly with graph size. These contributions yield a scalable topological learning framework for higher-order graph representation.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)はペアワイズ相互作用のモデリングに限られるが、セルコンプレックスに基づく高次モデルはより表現性が向上するが、スケーラビリティの低下に悩まされることが多い。 計算効率を向上しつつ,CWLテストの表現性を保ちつつ,簡易かつ分解されたセルライスフェイラー・ルマン試験(sCWL,fCWL)を導入する。 さらに,実験性能を維持しつつ,時間とメモリの複雑さを低減し,スケーラブルなCWNを実現する。 明示的な斜め列挙を避けるために,最大傾きをサンプリングし,グラフサイズに線形にスケールするランダムウォークのCliqueWalkを提案する。 これらの貢献により、高階グラフ表現のためのスケーラブルなトポロジカル学習フレームワークが得られる。

関連論文リスト

• A Distributed Training Architecture For Combinatorial Optimization [0.0]
  最適化のための分散グラフニューラルネットワーク(GNN)に基づくトレーニングフレームワークを提案する。 実大規模ソーシャルネットワークデータセットと合成された高複雑性グラフの両方で実験を行った。 我々のフレームワークは、ソリューションの品質と計算効率の両方において最先端のアプローチより優れています。
  論文  参考訳（メタデータ） (2025-11-12T12:22:10Z)
• GILT: An LLM-Free, Tuning-Free Graph Foundational Model for In-Context Learning [50.40400074353263]
  グラフニューラルネットワーク(GNN)は、リレーショナルデータを先行する強力なツールであるが、しばしば目に見えないグラフに一般化するのに苦労する。 textbfGraph textbfIn-context textbfL textbfTransformer (GILT)を導入する。
  論文  参考訳（メタデータ） (2025-10-06T08:09:15Z)
• G1: Teaching LLMs to Reason on Graphs with Reinforcement Learning [58.73279333365234]
  合成グラフ理論タスクにおける強化学習(RL)はグラフ推論能力を著しく拡張することができる。 RL on ErdosでG1はグラフ推論の大幅な改善を実現し、微調整された3BモデルはQwen2.5-72B-Instruct(24倍)よりも優れています。 我々の研究は、グラフ理論上のRLでLLMを微調整することで、強力なグラフ推論器を構築するための効率的でスケーラブルな経路を提供する。
  論文  参考訳（メタデータ） (2025-05-24T04:33:41Z)
• ScaleGNN: Towards Scalable Graph Neural Networks via Adaptive High-order Neighboring Feature Fusion [73.85920403511706]
  スケーラブルで効果的なグラフ学習のためのマルチホップノード機能を適応的に融合する新しいフレームワークであるScaleGNNを提案する。 予測精度と計算効率の両面で,ScaleGNNは最先端のGNNよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2025-04-22T14:05:11Z)
• Tensor-Fused Multi-View Graph Contrastive Learning [12.412040359604163]
  グラフコントラッシブラーニング(GCL)は、グラフニューラルネットワーク(GNN)の機能を強化し、ラベルのないグラフ構造化データからリッチな表現を学習するための、有望なアプローチとして登場した。 現在のGCLモデルは、計算要求と限られた機能利用の課題に直面している。 提案するTensorMV-GCLは,拡張された永続的ホモロジーをGCL表現と統合し,マルチスケールな特徴抽出を容易にする新しいフレームワークである。
  論文  参考訳（メタデータ） (2024-10-20T01:40:12Z)
• Higher Order Structures For Graph Explanations [9.164945693135959]
  グラフ説明における高階表現のためのフレームワーク(FORGE)を提案する。 FORGEはグラフ説明器が高次のマルチノードインタラクションをキャプチャすることを可能にする。 平均説明精度をそれぞれ1.9倍と2.25倍に改善する。
  論文  参考訳（メタデータ） (2024-06-05T13:31:30Z)
• Learning From Simplicial Data Based on Random Walks and 1D Convolutions [6.629765271909503]
  ランダムウォークと高速1D畳み込みに基づく単純な複雑なニューラルネットワーク学習アーキテクチャ。 実世界のデータセット上でSCRaWlを実証的に評価し、他の単純なニューラルネットワークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-04-04T13:27:22Z)
• Sparse Training of Discrete Diffusion Models for Graph Generation [45.103518022696996]
  SparseDiffは、ほとんど全ての大きなグラフがスパースであるという観察に基づく、新しい拡散モデルである。 エッジのサブセットを選択することで、SparseDiffは、ノイズ発生過程とノイズ発生ネットワーク内のスパースグラフ表現を効果的に活用する。 本モデルでは,小規模・大規模両方のデータセットにおいて,複数のメトリクスにわたる最先端性能を示す。
  論文  参考訳（メタデータ） (2023-11-03T16:50:26Z)
• Localized Contrastive Learning on Graphs [110.54606263711385]
  局所グラフコントラスト学習(Local-GCL)という,シンプルだが効果的なコントラストモデルを導入する。 その単純さにもかかわらず、Local-GCLは、様々なスケールと特性を持つグラフ上の自己教師付きノード表現学習タスクにおいて、非常に競争力のある性能を達成する。
  論文  参考訳（メタデータ） (2022-12-08T23:36:00Z)
• Weisfeiler and Lehman Go Cellular: CW Networks [3.0017241250121383]
  グラフニューラルネットワーク(GNN)は、表現力に制限があり、長距離相互作用に苦慮し、高次構造をモデル化する原則的な方法が欠けている。 SC の最近の理論的結果は、SC とグラフを柔軟にサブスムする位相対象である正則なセルコンプレックスに拡張する。 この一般化は、グラフリフトの変換の強力なセットを提供し、それぞれがユニークなメッセージパッシング手順につながることを示す。
  論文  参考訳（メタデータ） (2021-06-23T17:59:16Z)
• Graph Contrastive Learning Automated [94.41860307845812]
  グラフコントラスト学習(GraphCL)は、有望な表現学習性能とともに登場した。 GraphCLのヒンジがアドホックなデータ拡張に与える影響は、データセット毎に手動で選択する必要がある。 本稿では,グラフデータ上でGraphCLを実行する際に,データ拡張を自動的に,適応的に動的に選択する統合バイレベル最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-10T16:35:27Z)
• Parameterized Hypercomplex Graph Neural Networks for Graph Classification [1.1852406625172216]
  我々は超複雑特徴変換の特性を利用するグラフニューラルネットワークを開発した。 特に、提案したモデルのクラスでは、代数自身を特定する乗法則は、トレーニング中にデータから推測される。 提案するハイパーコンプレックスgnnをいくつかのオープングラフベンチマークデータセット上でテストし,そのモデルが最先端の性能に達することを示す。
  論文  参考訳（メタデータ） (2021-03-30T18:01:06Z)
• Graph Ordering: Towards the Optimal by Learning [69.72656588714155]
  グラフ表現学習は、ノード分類、予測、コミュニティ検出など、多くのグラフベースのアプリケーションで顕著な成功を収めている。 しかし,グラフ圧縮やエッジ分割などのグラフアプリケーションでは,グラフ表現学習タスクに還元することは極めて困難である。 本稿では,このようなアプリケーションの背後にあるグラフ順序付け問題に対して,新しい学習手法を用いて対処することを提案する。
  論文  参考訳（メタデータ） (2020-01-18T09:14:16Z)

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。