論文の概要: AdaKernel: Learning Adaptive Kernel Parameters for Spatiotemporal Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2606.01283v1
• Date: Sun, 31 May 2026 15:07:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.496414
• Title: AdaKernel: Learning Adaptive Kernel Parameters for Spatiotemporal Graph Neural Networks
• Title（参考訳）: AdaKernel:時空間グラフニューラルネットワークのための適応カーネルパラメータの学習
• Authors: Zhongyue Zhang, Guangyin Jin, Yuxuan Liang, Suwan Yin, Yuankai Wu,
• Abstract要約: ニューラルネットワーク内で適応的なカーネルパラメータを学習する,シンプルで効果的なアプローチを提案する。 AdaKernelは、さまざまなグラフニューラルネットワーク(GNN)を一貫して改善し、モデルに依存しない適応ベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 41.813456621843464
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling spatial dependencies is central to spatiotemporal data analysis using Graph Neural Networks (GNNs). Traditional methods rely on distance-based kernels with predefined parameters, which restricts model capacity. Although generic adaptive mechanisms (e.g., Graph Attention Networks) offer flexibility, they often fail to capture the underlying geometric structure, performing worse than distance-based models in data-sparse scenarios. Addressing this, we revisit the kernel parameterization problem and theoretically prove that misspecified kernel parameters introduce unavoidable approximation errors in GNNs. To overcome this, we propose AdaKernel, a simple yet effective approach that learns adaptive kernel parameters within the neural network. Unlike methods that learn graph structures from scratch, AdaKernel adopts a structure-preserving strategy that optimizes the scale of physical interactions rather than discarding them. Extensive experiments on Kriging, Imputation, and Forecasting demonstrate that AdaKernel consistently improves various GNN architectures and outperforms model-agnostic adaptive baselines, validating that accurately learned kernel parameters are superior to both fixed priors and fully latent graph structures.
• Abstract（参考訳）: 空間依存のモデル化は、グラフニューラルネットワーク(GNN)を用いた時空間データ解析の中心となる。 従来のメソッドは、モデルキャパシティを制限する事前定義されたパラメータを持つ距離ベースのカーネルに依存している。 汎用適応機構(グラフ注意ネットワークなど)は柔軟性を提供するが、基礎となる幾何学的構造を捉えることができず、データスパースシナリオでは距離ベースモデルよりもパフォーマンスが悪い。 この問題に対処するため,カーネルパラメータ化問題を再検討し,不特定なカーネルパラメータがGNNにおいて避けられない近似誤差をもたらすことを理論的に証明する。 これを解決するために、ニューラルネットワーク内で適応的なカーネルパラメータを学習する、シンプルで効果的なアプローチであるAdaKernelを提案する。 グラフ構造をゼロから学習する方法とは違って、AdaKernelでは、物理相互作用のスケールを破棄するのではなく、最適化する構造保存戦略を採用している。 Kriging、Imputation、Forecastingに関する大規模な実験は、AdaKernelが様々なGNNアーキテクチャを一貫して改善し、モデルに依存しない適応ベースラインより優れていることを示した。

関連論文リスト

• Deciphering Neural Reparameterized Full-Waveform Inversion with Neural Sensitivity Kernel and Wave Tangent Kernel [67.14508461124932]
  フルウェーブフォーム・インバージョン(FWI)は、限られた境界測定から波動方程式の未知のパラメータを推定する。 ニューラルリパラメータ化FWI(NeurFWI)の最近の進歩は、ニューラルネットワークを用いたパラメータを表現することによって、高品質な初期モデルとウェーブフィールドデータへの依存を減らすことができることを示している。 本研究では,ニューラル・センシティブ・カーネル (NSK) とウェーブ・タンジェント・カーネル (WTK) を構築し,それらの収束挙動をモデル領域とデータ領域の両方から解析する。
  論文  参考訳（メタデータ） (2026-05-14T04:49:23Z)
• A Framework for Nonstationary Gaussian Processes with Neural Network Parameters [0.8057006406834466]
  本稿では,パラメータが特徴空間によって異なる非定常カーネルを用いて,これらのパラメータをニューラルネットワークの出力としてモデル化するフレームワークを提案する。 提案手法は,非定常パラメータの挙動を明確に記述し,大規模データセットへのスケーリングのための近似手法と互換性がある。 いくつかの機械学習データセット上で,本手法の非定常変動と雑音変動を検証した結果,定常モデルと階層モデルの両方に近似して精度とログスコアが得られた。
  論文  参考訳（メタデータ） (2025-07-16T14:09:49Z)
• Scalable Gaussian Processes with Low-Rank Deep Kernel Decomposition [7.532273334759435]
  カーネルはガウス過程(GP)モデルにおいて、事前の信念とデータ構造を符号化する鍵である。 ディープカーネル学習は、標準的なパラメトリック形式を適用する前に、ニューラルネットワークを介して入力を入力することで、カーネルの柔軟性を向上させる。 我々は、ニューラルネットワークが直接低ランクカーネルを表現する、完全にデータ駆動でスケーラブルなディープカーネル表現を導入する。
  論文  参考訳（メタデータ） (2025-05-24T05:42:11Z)
• Accelerating Scalable Graph Neural Network Inference with Node-Adaptive Propagation [80.227864832092]
  グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。 大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。 本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
  論文  参考訳（メタデータ） (2023-10-17T05:03:00Z)
• Optimal Transport-inspired Deep Learning Framework for Slow-Decaying Kolmogorov n-width Problems: Exploiting Sinkhorn Loss and Wasserstein Kernel [0.0]
  還元次数モデル(ROM)は、高次元システムに対処するために科学計算で広く使われている。 最適輸送理論とニューラルネットワークに基づく手法を統合した新しいROMフレームワークを提案する。 我々のフレームワークは、精度と計算効率の点で従来のROM手法より優れています。
  論文  参考訳（メタデータ） (2023-08-26T10:24:43Z)
• Adaptive Kernel Graph Neural Network [21.863238974404474]
  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表現学習において大きな成功を収めている。 本稿では,AKGNN(Adaptive Kernel Graph Neural Network)という新しいフレームワークを提案する。 AKGNNは、最初の試みで最適なグラフカーネルに統一的に適応することを学ぶ。 評価されたベンチマークデータセットで実験を行い、提案したAKGNNの優れた性能を示す有望な結果を得た。
  論文  参考訳（メタデータ） (2021-12-08T20:23:58Z)
• Random Features for the Neural Tangent Kernel [57.132634274795066]
  完全接続型ReLUネットワークのニューラルタンジェントカーネル(NTK)の効率的な特徴マップ構築を提案する。 得られた特徴の次元は、理論と実践の両方で比較誤差境界を達成するために、他のベースライン特徴マップ構造よりもはるかに小さいことを示しています。
  論文  参考訳（メタデータ） (2021-04-03T09:08:12Z)
• Finite Versus Infinite Neural Networks: an Empirical Study [69.07049353209463]
  カーネルメソッドは、完全に接続された有限幅ネットワークより優れている。 中心とアンサンブルの有限ネットワークは後続のばらつきを減らした。 重みの減衰と大きな学習率の使用は、有限ネットワークと無限ネットワークの対応を破る。
  論文  参考訳（メタデータ） (2020-07-31T01:57:47Z)

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。