論文の概要: End-to-End Subgraph Detection with GraphDETR

• arxiv url: http://arxiv.org/abs/2606.06364v1
• Date: Thu, 04 Jun 2026 16:33:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.963076
• Title: End-to-End Subgraph Detection with GraphDETR
• Title（参考訳）: GraphDETRによるエンドツーエンドのサブグラフ検出
• Authors: Dexiong Chen, Till Hendrik Schulz, Karsten Borgwardt,
• Abstract要約: サブグラフ検出は、より大きなグラフ内でクエリパターンのインスタンスがどこで発生するかを特定する。 本稿では,サブグラフ検出を集合予測問題として定式化するディープラーニングフレームワークであるGraphDETRを紹介する。 最大1000ノードのターゲットデータセットにおいて,最大50ノードの分子構造サイクル,斜め,ファジィパターンなどの多様なパターンを検出することができることを示す。
• 参考スコア（独自算出の注目度）: 11.475168736887168
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Subgraph detection seeks to identify whether and where instances of query patterns occur within a larger graph. This problem is fundamental across scientific domains and is closely related to subgraph isomorphism, which is NP-complete, limiting combinatorial approaches to small patterns or moderately sized graphs. We introduce GraphDETR, a deep learning framework that formulates subgraph detection as a set prediction problem, analogous to DETR in object detection. GraphDETR encodes the target graph with a graph neural network, and employs a fixed set of learnable query vectors, decoded via a transformer decoder, to predict all pattern occurrences jointly in a single forward pass. This is enabled by training the model end-to-end with bipartite matching. Unlike traditional combinatorial methods that only solve exact structural matching, GraphDETR naturally extends to approximate matching, enabling detection beyond exact pattern correspondence. Empirically, we show that GraphDETR can detect diverse patterns, such as molecular structures, cycles, cliques, and fuzzy patterns of up to 50 nodes, in target graphs with up to 1000 nodes. We further evaluate on molecular functional group detection over the ChEMBL dataset, where GraphDETR predicts the complete set of functional groups per molecule, achieving a strong performance of $\text{AP}_{100} = 91.2$.
• Abstract（参考訳）: サブグラフ検出は、より大きなグラフ内でクエリパターンのインスタンスがどこで発生するかを特定する。 この問題は科学領域において基本的であり、NP完全である部分グラフ同型と密接に関連しており、小さなパターンや適度な大きさのグラフに対する組合せ的アプローチを制限する。 本稿では,オブジェクト検出におけるDeTRに類似した,サブグラフ検出をセット予測問題として定式化するディープラーニングフレームワークであるGraphDETRを紹介する。 GraphDETRは、ターゲットグラフをグラフニューラルネットワークでエンコードし、トランスフォーマーデコーダを介してデコードされた学習可能なクエリベクタの固定セットを使用して、単一のフォワードパスにおけるすべてのパターン発生を同時に予測する。 これは、モデルのエンドツーエンドをバイパーティイトマッチングでトレーニングすることで実現される。 正確な構造マッチングのみを解決する従来の組合せ法とは異なり、GraphDETRは自然に近似マッチングに拡張し、正確なパターン対応を超える検出を可能にする。 実験により,最大1000ノードのターゲットグラフにおいて,最大50ノードの分子構造,サイクル,傾斜,ファジィパターンなどの多様なパターンを検出することができることがわかった。 さらに,ChEMBLデータセット上での分子機能基検出において,GraphDETRは分子単位の官能基の完全な集合を予測し,$\text{AP}_{100} = 91.2$の強い性能を達成する。

関連論文リスト

• Graph-Based Fraud Detection with Dual-Path Graph Filtering [52.459703746017624]
  グラフデータの不正検出には、異なるタイプのノードを区別する必要がある。 本稿では,デュアルパスグラフフィルタを用いたグラフベースフラッド検出モデルを提案する。 4つの実世界の金融不正検出データセットの実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2026-04-14T20:46:36Z)
• Disentangled Graph Representation Based on Substructure-Aware Graph Optimal Matching Kernel Convolutional Networks [4.912298804026689]
  グラフは関係データを効果的に特徴付け、グラフ表現学習法を駆動する。 最近の不整合グラフ表現学習は、グラフデータの独立因子を分離することにより、解釈可能性を高める。 本稿では,この制限に対処するグラフ最適マッチングカーネル畳み込みネットワーク(GOMKCN)を提案する。
  論文  参考訳（メタデータ） (2025-04-23T02:26:33Z)
• 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)
• GraphGLOW: Universal and Generalizable Structure Learning for Graph Neural Networks [72.01829954658889]
  本稿では,この新たな問題設定の数学的定義を紹介する。 一つのグラフ共有構造学習者と複数のグラフ固有GNNを協調する一般的なフレームワークを考案する。 十分に訓練された構造学習者は、微調整なしで、目に見えない対象グラフの適応的な構造を直接生成することができる。
  論文  参考訳（メタデータ） (2023-06-20T03:33:22Z)
• Learning to Count Isomorphisms with Graph Neural Networks [16.455234748896157]
  グラフ上の部分グラフ同型カウントは重要な問題である。 本稿では,グラフアイソモーフィズムカウントのための新しいグラフニューラルネットワークであるCount-GNNを提案する。
  論文  参考訳（メタデータ） (2023-02-07T05:32:11Z)
• Template based Graph Neural Network with Optimal Transport Distances [11.56532171513328]
  現在のグラフニューラルネットワーク(GNN)アーキテクチャは、2つの重要なコンポーネントに依存している。 本稿では,学習可能なグラフテンプレートとの距離をグラフ表現のコアに配置する新しい視点を提案する。 この距離埋め込みは、Fused Gromov-Wasserstein (FGW) 距離という最適な輸送距離によって構築される。
  論文  参考訳（メタデータ） (2022-05-31T12:24:01Z)
• Interactive Visual Pattern Search on Graph Data via Graph Representation Learning [20.795511688640296]
  視覚分析システムGraphQは、ループ内、サンプルベース、サブグラフパターン検索をサポートする。 高速で対話的なクエリをサポートするために、グラフニューラルネットワーク(GNN)を使用して、グラフを固定長潜在ベクトル表現としてエンコードする。 また,NuroAlignと呼ばれるノードアライメントのための新しいGNNを提案し,クエリ結果の検証と解釈を容易にする。
  論文  参考訳（メタデータ） (2022-02-18T22:30:28Z)
• Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
  本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。 提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。 すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
  論文  参考訳（メタデータ） (2021-09-01T08:24:02Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)

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。