論文の概要: Graph Cascades: Contagion-Based Mesoscopic Rewiring for Structure-Aware Graph Machine Learning
- arxiv url: http://arxiv.org/abs/2606.05046v1
- Date: Wed, 03 Jun 2026 16:07:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-04 20:44:18.884164
- Title: Graph Cascades: Contagion-Based Mesoscopic Rewiring for Structure-Aware Graph Machine Learning
- Title（参考訳）: グラフカスケード:構造認識型グラフ機械学習のための感染ベースのメソスコピックリスイッチ
- Authors: Meher Chaitanya, My Le, Luana Ruiz,
- Abstract要約: グラフニューラルネットワーク(GNN)とグラフトランスフォーマー(GT)のメソスコピックリスイッチ戦略であるグラフカスケードを導入する。
グラフカスケードは、感染に基づく拡散プロセスを用いて補助グラフを構築し、繰り返し多重ホップ強化によって支持されるノードペアが直接隣人に昇格する。
経験的に、ノード分類ベンチマークを通じて、グラフカスケードは複数のGNNとスパースGTバックボーンを改善し、ヘテロ親和性および中等度から高次ホモ親和性グラフ上で最も信頼性の高いゲインを観測する。
- 参考スコア（独自算出の注目度）: 8.480205772461925
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce Graph Cascades, a mesoscopic rewiring strategy for Graph Neural Networks (GNNs) and Graph Transformers (GTs) that captures intermediate-scale graph structure beyond purely local edges or fully global attention. Using contagion-based diffusion processes, Graph Cascades constructs, in O(|V|+|E|) time, an auxiliary graph where node pairs supported by repeated multi-hop reinforcement are promoted to direct neighbors. We theoretically characterize when reinforcement-based rewiring helps: sufficient conditions under which reinforcement-based edge selection is more label-aligned than direct adjacency, an SBM witness in which two-hop reinforcement is perfectly homophilic, and a formalization of mesoscopic connectivity via graph effective resistance. Empirically, across node-classification benchmarks, Graph Cascades improves multiple GNN and sparse-GT backbones, with the most reliable gains observed on heterophilic and moderate- to high-degree homophilic graphs. The theoretical conditions also identify regimes where mesoscopic rewiring is unlikely to be beneficial -- low-degree regular graphs and graphs with structural bottlenecks -- and these predictions match the observed failures. We additionally observe tight correlations between performance and structural properties in the rewired graphs.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)とグラフトランスフォーマー(GT)のメソスコピック・リスイッチング戦略であるグラフカスケードを導入する。
グラフカスケードは、感染に基づく拡散過程を用いて、O(|V|+|E|)時間で構成する。
我々は,強化型再配線が有効である場合を理論的に特徴づける:強化型エッジ選択が直接隣接性よりもラベル整列性が高い条件,二脚強化が完全にホモ親和性を持つSBM証人,グラフ有効抵抗によるメソスコピック接続の形式化。
経験的に、ノード分類ベンチマークを通じて、グラフカスケードは複数のGNNとスパースGTバックボーンを改善し、ヘテロ親和性および中等度から高次ホモ親和性グラフ上で最も信頼性の高いゲインを観測する。
理論的な条件はまた、メソスコピック・リウィリングが有益とは考えにくいレギュレーション(構造的ボトルネックを持つ低次正規グラフとグラフ)を特定し、これらの予測は観測された失敗と一致する。
また、リワイヤグラフの性能と構造特性の相関関係も観察する。
関連論文リスト
- Task-driven Heterophilic Graph Structure Learning [30.767828037086844]
グラフニューラルネットワーク(GNN)は、異種グラフの識別ノード表現を学習するのにしばしば苦労する。
本稿では,エンドツーエンドのグラフ推論フレームワークであるFgGSLを提案する。
論文 参考訳（メタデータ） (2025-12-29T11:59:16Z) - GLANCE: Graph Logic Attention Network with Cluster Enhancement for Heterophilous Graph Representation Learning [47.674647127050186]
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から学習する上で大きな成功を収めている。
本稿では,論理誘導推論,動的グラフ改善,適応クラスタリングを統合し,グラフ表現学習を強化する新しいフレームワークであるGLANCEを提案する。
論文 参考訳（メタデータ） (2025-07-24T15:45:26Z) - It Takes a Graph to Know a Graph: Rewiring for Homophily with a Reference Graph [19.222317334613162]
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解析に長けているが、連結ノードがしばしば異なるクラスに属している異種グラフに苦戦している。
我々は、エッジホモフィリー、GNN埋め込みの滑らかさ、ノード分類性能をリンクする理論的基礎を提供する。
参照グラフを用いてグラフをホモフィリに増加させるリワイアリングフレームワークを導入し、リワイアグラフのホモフィリを理論的に保証する。
論文 参考訳（メタデータ） (2025-05-18T13:28:56Z) - Greener GRASS: Enhancing GNNs with Encoding, Rewiring, and Attention [12.409982249220812]
本稿では,新しいGNNアーキテクチャであるGraph Attention with Structures (GRASS)を紹介する。
GRASSはランダムな正規グラフを重畳して入力グラフをリワイヤし、長距離情報伝搬を実現する。
また、グラフ構造化データに適した新しい付加的注意機構も採用している。
論文 参考訳（メタデータ） (2024-07-08T06:21:56Z) - Addressing Heterophily in Node Classification with Graph Echo State
Networks [11.52174067809364]
ノード分類のためのグラフエコー状態ネットワーク(GESN)を用いた異種グラフの課題に対処する。
GESNはグラフのための貯水池計算モデルであり、ノードの埋め込みは訓練されていないメッセージパッシング関数によって計算される。
実験の結果, 貯水池モデルでは, ほぼ完全に訓練された深層モデルに対して, より優れた精度あるいは同等の精度が得られることがわかった。
論文 参考訳（メタデータ） (2023-05-14T19:42:31Z) - Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。
固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。
GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文 参考訳（メタデータ） (2022-05-19T14:08:15Z) - Towards Unsupervised Deep Graph Structure Learning [67.58720734177325]
本稿では,学習したグラフトポロジを外部ガイダンスなしでデータ自身で最適化する,教師なしグラフ構造学習パラダイムを提案する。
具体的には、元のデータから"アンカーグラフ"として学習目標を生成し、対照的な損失を用いてアンカーグラフと学習グラフとの一致を最大化する。
論文 参考訳（メタデータ） (2022-01-17T11:57:29Z) - Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph
Wavelets [81.63035727821145]
スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。
本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
論文 参考訳（メタデータ） (2021-08-03T17:57:53Z) - Dirichlet Graph Variational Autoencoder [65.94744123832338]
本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。
バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
論文 参考訳（メタデータ） (2020-10-09T07:35:26Z)
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。