Fugu-MT 論文翻訳(概要): Enhanced Graph Neural Networks using K-Hop Gaussian Diffusion

論文の概要: Enhanced Graph Neural Networks using K-Hop Gaussian Diffusion

arxiv url: http://arxiv.org/abs/2606.18317v1
Date: Tue, 16 Jun 2026 12:33:17 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-18 17:16:50.819181
Title: Enhanced Graph Neural Networks using K-Hop Gaussian Diffusion
Title（参考訳）: Kホップガウス拡散を用いた拡張グラフニューラルネットワーク
Authors: Xuling Zhang, Peng Wang, Daiyan Li, Aoran Huang, Zeiwei Chen, Yongkui Yang,
Abstract要約: 多くの実世界のグラフでは、エッジは騒々しいか、あるいは未定義であり、情報伝達を局所的に制限する。グラフデータの事前処理モジュールとしてK-Hop Gaussian(KHG)拡散カーネルを提案する。複数のベンチマークデータセットの実験では、KHGが従来のメッセージパッシングGNNを大幅に上回っていることが示されている。
参考スコア（独自算出の注目度）: 3.0408765459803226
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Most graph neural network (GNN) cores rely on graph convolutions, typically implemented as message passing between direct (single-hop) neighbors. In many real-world graphs, edges can be noisy or poorly defined, limiting information propagation to local neighborhoods. Existing diffusion kernels, such as Personalized PageRank (PPR) and Heat Kernel, alleviate this issue through global propagation, but still struggle with complex local structures and distant node noise. To address these limitations, we propose a K-Hop Gaussian (KHG) diffusion kernel as a preprocessing module for graph data. KHG introduces multi-hop diffusion with Gaussian weighting for remote nodes, balancing local and global information propagation before applying standard GNNs. Experiments on multiple benchmark datasets demonstrate that KHG significantly outperforms traditional message-passing GNNs, as well as PPR and Heat Kernel diffusion, particularly in noisy or structurally complex graphs.
Abstract（参考訳）: ほとんどのグラフニューラルネットワーク(GNN)コアは、直接(シングルホップ)隣人間のメッセージパッシングとして実装されるグラフ畳み込みに依存している。多くの実世界のグラフでは、エッジはノイズや定義が不十分であり、情報伝達を局所的に制限する。パーソナライズされたPageRank (PPR) やHeat Kernelのような既存の拡散カーネルは、この問題をグローバルな伝播を通じて緩和するが、それでも複雑な局所構造と遠いノードノイズに悩まされている。これらの制約に対処するため、グラフデータのための前処理モジュールとしてK-Hop Gaussian(KHG)拡散カーネルを提案する。 KHGはガウス重み付けによるマルチホップ拡散を導入し、標準のGNNを適用する前に、ローカルおよびグローバルな情報伝搬のバランスをとる。複数のベンチマークデータセットの実験では、KHGは従来のメッセージパスGNNやPPRやHeat Kernel拡散、特にノイズや構造的に複雑なグラフよりも大幅に優れていた。

関連論文リスト

gHAWK: Local and Global Structure Encoding for Scalable Training of Graph Neural Networks on Knowledge Graphs [1.8024397171920878]
gHAWKは知識グラフ(KG)のためのグラフニューラルネットワーク(GNN)トレーニングフレームワーク GNNトレーニングが始まる前に、各ノードのローカルおよびグローバル構造をキャプチャする構造的特徴を事前に計算する。 gHAWKはメモリ使用量、収束率を大幅に削減し、モデルの精度を向上させる。
論文参考訳（メタデータ） (2025-12-09T06:08:37Z)
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)
DeltaGNN: Graph Neural Network with Information Flow Control [5.563171090433323]
グラフニューラルネットワーク(GNN)は、メッセージパッシングプロセスの近傍集約を通じてグラフ構造化データを処理するように設計されている。メッセージパッシングにより、GNNは短距離空間的相互作用を理解できるだけでなく、過度なスムーシングや過度なスカッシングに悩まされる。本稿では,線形計算オーバーヘッドを伴うオーバー・スムーシングとオーバー・スキャッシングに対処するための,emph情報フロー制御機構を提案する。さまざまなサイズ、トポロジ、密度、ホモフィリック比のグラフを含む10の実世界のデータセットを対象に、我々のモデルをベンチマークし、優れたパフォーマンスを示す。
論文参考訳（メタデータ） (2025-01-10T14:34:20Z)
Spatio-Spectral Graph Neural Networks [50.277959544420455]
比スペクトルグラフネットワーク(S$2$GNN)を提案する。 S$2$GNNは空間的およびスペクトル的にパラメータ化されたグラフフィルタを組み合わせる。 S$2$GNNsは、MPGNNsよりも厳密な近似理論誤差境界を生じる。
論文参考訳（メタデータ） (2024-05-29T14:28:08Z)
Spectral Greedy Coresets for Graph Neural Networks [61.24300262316091]
ノード分類タスクにおける大規模グラフの利用は、グラフニューラルネットワーク(GNN)の現実的な応用を妨げる本稿では,GNNのグラフコアセットについて検討し,スペクトル埋め込みに基づくエゴグラフの選択により相互依存の問題を回避する。我々のスペクトルグレディグラフコアセット(SGGC)は、数百万のノードを持つグラフにスケールし、モデル事前学習の必要性を排除し、低ホモフィリーグラフに適用する。
論文参考訳（メタデータ） (2024-05-27T17:52:12Z)
Supercharging Graph Transformers with Advective Diffusion [28.40109111316014]
本稿では,この課題に対処するために,物理に着想を得たグラフトランスモデルであるAdvDIFFormerを提案する。本稿では,AdvDIFFormerが位相シフトによる一般化誤差を制御できることを示す。経験的に、このモデルは情報ネットワーク、分子スクリーニング、タンパク質相互作用の様々な予測タスクにおいて優位性を示す。
論文参考訳（メタデータ） (2023-10-10T08:40:47Z)
Graph Mixture of Experts: Learning on Large-Scale Graphs with Explicit Diversity Modeling [60.0185734837814]
グラフニューラルネットワーク(GNN)は、グラフデータからの学習に広く応用されている。 GNNの一般化能力を強化するため、グラフ強化のような技術を用いて、トレーニンググラフ構造を増強することが慣例となっている。本研究では,GNNにMixture-of-Experts(MoE)の概念を導入する。
論文参考訳（メタデータ） (2023-04-06T01:09:36Z)
Graph Neural Diffusion Networks for Semi-supervised Learning [5.836987579515698]
Graph Convolutional Networks (GCN)は、グラフに基づく半教師付き学習のパイオニアモデルである。本稿では,局所的およびグローバルな近隣情報を利用したニューラルネット(グラフニューラルディフュージョンネットワーク)と呼ばれる新しいグラフニューラルネットワークを提案する。ニューラルネットワークの採用により、ニューラルネットワークの拡散は異なるデータセットに適応できる。
論文参考訳（メタデータ） (2022-01-24T14:07:56Z)

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。