論文の概要: GrapNet: A Programmable Dynamic-Architecture Neural Graph Substrate

• arxiv url: http://arxiv.org/abs/2606.18923v1
• Date: Wed, 17 Jun 2026 10:51:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:51.123214
• Title: GrapNet: A Programmable Dynamic-Architecture Neural Graph Substrate
• Title（参考訳）: GrapNet: プログラム可能な動的アーキテクチャニューラルネットワーク基板
• Authors: Zirong Li,
• Abstract要約: プログラム可能性(Programmability)は、固定テンソルニューラルネットワークにおける第一級インタフェースの欠如である。 GrapNetはこのグラフ・アズ・ネットワーク設定を研究している。 GrapNetはベクトル値の親インターフェイスを通じて構成する。
• 参考スコア（独自算出の注目度）: 3.1050763275397806
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Programmability is a missing first-class interface in fixed-tensor neural networks: editing a relation, freezing a subgraph, auditing a local function, or changing the execution backend should be an operation on the neural program rather than ad-hoc parameter surgery. GrapNet studies this graph-as-network setting. The graph is the architecture and executable program, not an input data graph. Each compute node owns its next-layer child references and a trainable allocation vector aligned with those references; deleting a relation physically removes both the child reference and the corresponding allocation coordinate. Structural rules and execution policies live outside the node core, so the same child-owned graph can be grown, frozen, structurally edited, grouped into trainable family blocks, routed by attention over active relations, or lowered to dense snapshots after topology stabilizes. GrapNet composes with conventional modules through a vector-valued parent interface: dense layers, CNN encoders, ResNet feature extractors, attention blocks, and transformer representations can all feed one sensory GrapNode per coordinate. The evaluation is organized as a programmability stress suite rather than as a new replay benchmark. In a matched ten-seed Split Fashion-MNIST study, a plastic GrapNet+ER head reaches 63.16 percent seen-class accuracy versus 51.08 percent for a parameter-larger dense MLP+ER under the same seen-class loss and replay memory, with paired delta 12.08 points and p=1.3e-5. On Split CIFAR-10 with a frozen ImageNet ResNet-18 encoder, the same substrate improves the online head over MLP-256 by 3.81 points, with p=0.0026. These results support GrapNet as an editable neural graph substrate whose core value is structural programmability with faithful execution views.
• Abstract（参考訳）: 関係の編集、サブグラフの凍結、ローカル関数の監査、実行バックエンドの変更は、アドホックパラメータの手術ではなく、ニューラルネットワークの操作であるべきである。 GrapNetはこのグラフ・アズ・ネットワーク設定を研究している。 グラフはアーキテクチャと実行可能プログラムであり、入力データグラフではない。 各計算ノードは、次の階層の子参照とそれらの参照に整合したトレーニング可能なアロケーションベクトルを所有し、関係を削除することで、子参照と対応するアロケーション座標の両方を物理的に削除する。 構造ルールと実行ポリシはノードコアの外にあるため、同じ子が所有するグラフを成長、凍結、構造的に編集、トレーニング可能なファミリーブロックにグループ化、アクティブな関係に対する注意によるルーティング、あるいはトポロジの安定化後の濃密なスナップショットへの縮小が可能である。 GrapNetは、高密度層、CNNエンコーダ、ResNet機能抽出器、アテンションブロック、トランスフォーマー表現など、ベクトル値の親インターフェイスを通じて従来のモジュールと合成される。 評価は、新しいリプレイベンチマークではなく、プログラマビリティストレススイートとして整理される。 一致する10シードのスプリットファシオン-MNIST研究では、プラスティックのGrapNet+ERヘッドが63.16パーセント、パラメータの大きい高密度のMLP+ERが51.08%、対のデルタ12.08点とp=1.3e-5である。 フリーズされた ImageNet ResNet-18 エンコーダを備えた Split CIFAR-10 では、同じ基板が MLP-256 上のオンラインヘッドを p=0.0026 で 3.81 ポイント改善している。 これらの結果は、忠実な実行ビューを持つ構造的プログラマビリティが中心となる、編集可能なニューラルグラフ基板としてGrapNetをサポートする。

関連論文リスト

• LASE: Learned Adjacency Spectral Embeddings [9.227991604045416]
  グラフ入力から結節隣接スペクトル埋め込み(ASE)を学習する。 LASEは解釈可能で、パラメータ効率が高く、未観測のエッジを持つ入力に対して堅牢である。 LASEレイヤは、Graph Convolutional Network (GCN)と完全に接続されたGraph Attention Network (GAT)モジュールを組み合わせる。
  論文  参考訳（メタデータ） (2024-12-23T17:35:19Z)
• NodeFormer: A Scalable Graph Structure Learning Transformer for Node Classification [70.51126383984555]
  本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。 効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。 グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2023-06-14T09:21:15Z)
• An Empirical Evaluation of Rewiring Approaches in Graph Neural Networks [6.875312133832079]
  本稿では,ノードやグラフ表現の学習を必要としない,メッセージパッシングモデルに基づく評価設定を提案する。 実世界のノードとグラフ分類タスクの体系的比較を行い、基礎となるグラフを書き換えることが、メッセージパッシングの実用的な利点をもたらすことは滅多にないことを示した。
  論文  参考訳（メタデータ） (2023-05-31T10:12:23Z)
• Learnable Graph Matching: A Practical Paradigm for Data Association [74.28753343714858]
  これらの問題に対処するための一般的な学習可能なグラフマッチング法を提案する。 提案手法は,複数のMOTデータセット上での最先端性能を実現する。 画像マッチングでは,一般的な屋内データセットであるScanNetで最先端の手法より優れている。
  論文  参考訳（メタデータ） (2023-03-27T17:39:00Z)
• EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
  埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。 EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。 提案手法はいくつかの最先端手法より一貫して優れている。
  論文  参考訳（メタデータ） (2022-11-19T09:08:43Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Training Free Graph Neural Networks for Graph Matching [103.45755859119035]
  TFGMは、グラフニューラルネットワーク(GNN)ベースのグラフマッチングのパフォーマンスをトレーニングなしで向上するフレームワークである。 TFGMをさまざまなGNNに適用することは、ベースラインよりも有望な改善を示している。
  論文  参考訳（メタデータ） (2022-01-14T09:04:46Z)
• Multi-view Self-Constructing Graph Convolutional Networks with Adaptive Class Weighting Loss for Semantic Segmentation [23.623276007011373]
  セマンティックセグメンテーションのためのMulti-view Self-Constructing Graph Convolutional Networks (MSCG-Net) と呼ばれる新しいアーキテクチャを提案する。 航空機画像の回転不変性を明確に活用するために,複数のビューを利用する。 提案手法の有効性と柔軟性を農業ビジョン課題に適用し,競争力のある結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-04-21T22:18:16Z)
• EdgeNets:Edge Varying Graph Neural Networks [179.99395949679547]
  本稿では、EdgeNetの概念を通じて、最先端グラフニューラルネットワーク(GNN)を統一する一般的なフレームワークを提案する。 EdgeNetはGNNアーキテクチャであり、異なるノードが異なるパラメータを使って異なる隣人の情報を測定することができる。 これは、ノードが実行でき、既存のグラフ畳み込みニューラルネットワーク(GCNN)とグラフアテンションネットワーク(GAT)の1つの定式化の下で包含できる一般的な線形で局所的な操作である。
  論文  参考訳（メタデータ） (2020-01-21T15:51:17Z)

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。