論文の概要: Adaptive Recurrent Message Passing for Test Time Computing on Graphs

• arxiv url: http://arxiv.org/abs/2606.22462v1
• Date: Sun, 21 Jun 2026 12:14:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 18:09:10.981879
• Title: Adaptive Recurrent Message Passing for Test Time Computing on Graphs
• Title（参考訳）: グラフ上でのテスト時間コンピューティングのための適応的リカレントメッセージパッシング
• Authors: Junshu Sun, Wanxing Chang, Qingming Huang, Shuhui Wang,
• Abstract要約: 繰り返しグラフモデルでは,グラフデータとアーキテクチャ設計の固有のミスマッチを克服できることを示す。 本稿では,アダプティブ・リカレントグラフモデルであるAdaRを提案する。
• 参考スコア（独自算出の注目度）: 80.56829418752513
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Pre-trained foundation models have demonstrated remarkable success in many domains, enabling a unified backbone to generalize across diverse downstream tasks. However, extending this paradigm to graph learning remains challenging due to the intrinsic mismatch between graph data and fixed architectural designs. In this work, we show that this limitation can be overcome via recurrent graph models. To achieve this, we conduct a systematic theoretical analysis, rigorously deriving step dependence as a necessary and sufficient condition for an adaptively convergent recurrent process. Building on this foundation, we propose AdaR, an Adaptive Recurrent graph model, empowering flexible test-time computing on various downstream tasks without changing model parameters. To enable adaptive inference, AdaR explicitly encodes normalized step information and representation-target relations into the recurrent updates. To ensure convergence of the recurrent process, AdaR employs gradient-based supervision signals that guide representation updates throughout the recurrence. Empirical results demonstrate that AdaR consistently outperforms strong baselines in both inductive and transductive settings.
• Abstract（参考訳）: 事前訓練された基礎モデルは、多くの領域で顕著な成功を収めており、統一されたバックボーンが様々な下流タスクにまたがって一般化することができる。 しかし、このパラダイムをグラフ学習に拡張することは、グラフデータと固定されたアーキテクチャ設計との間の本質的なミスマッチのため、依然として困難である。 本研究では,この制限を再帰的なグラフモデルによって克服できることを示す。 これを実現するために, 適応収束再帰過程において, ステップ依存を必要十分条件として厳格に導出する体系的理論的解析を行う。 本稿では,アダプティブ・リカレントグラフモデルであるAdaRを提案する。 適応推論を可能にするため、AdaRは正規化されたステップ情報と表現とターゲットの関係を反復更新に明示的にエンコードする。 リカレントプロセスの収束を保証するため、AdaRでは、リカレンス全体の表現更新をガイドする勾配ベースの監視信号を使用している。 実証実験の結果、AdaRはインダクティブとトランスダクティブの両方で強いベースラインを一貫して上回っている。

関連論文リスト

• RAVEN: Real-time Autoregressive Video Extrapolation with Consistency-model GRPO [53.38929612273108]
  因果自己回帰ビデオ拡散モデルは、以前生成されたコンテンツから将来のチャンクを外挿することでリアルタイムストリーミング生成をサポートする。 本稿では,リアルタイム自動回帰ビデオ補間ネットワーク(RAVEN)を紹介した。これは,各自己ロールアウトを,クリーンな歴史的エンドポイントのインターリーブシーケンスに再パッケージするトレーニングタイムテストフレームワークである。
  論文  参考訳（メタデータ） (2026-05-14T17:59:30Z)
• Analytic Drift Resister for Non-Exemplar Continual Graph Learning [23.86709351309769]
  Non-Exemplar Continual Graph Learning (NECGL)は、リハーサルベースのパラダイムに固有のプライバシーリスクを取り除くことを目的としている。 NECGLフレームワークであるADR(Analytic Drift Resister)を提案する。 ADRは反復的バックプロパゲーションを利用して、凍結した事前訓練された制約から解放する。
  論文  参考訳（メタデータ） (2026-04-03T01:58:11Z)
• Pruning for Generalization: A Transfer-Oriented Spatiotemporal Graph Framework [0.6435984242701042]
  グラフベースの時系列予測モデルを改善するため,TL-GPSGNTを提案する。 情報理論および相関に基づく基準を用いて,構造的情報的部分グラフを抽出する。 TL-GPSGNTは低データ転送シナリオにおけるベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-04T02:41:29Z)
• RAAG: Ratio Aware Adaptive Guidance [9.525432706814675]
  フローベースの生成モデルは驚くべき進歩を遂げた。 推論全体を通じて強力な、固定されたガイダンススケールを適用することは、現代的なアプリケーションに必要な、迅速な、数ステップのサンプリングには適していない。 本稿では,進化率に基づいて早期段階の指導尺度を自動的に減衰させる,シンプルな,理論的に基礎付けられた適応型指導スケジュールを提案する。
  論文  参考訳（メタデータ） (2025-08-05T13:41:05Z)
• Neural Network Reprogrammability: A Unified Theme on Model Reprogramming, Prompt Tuning, and Prompt Instruction [57.19302613163439]
  モデル適応のための統一フレームワークとして,ニューラルネットワークの再プログラム可能性を導入する。 本稿では,4つの重要な側面にまたがる情報操作アプローチを分類する分類法を提案する。 残る技術的課題や倫理的考察も分析する。
  論文  参考訳（メタデータ） (2025-06-05T05:42:27Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Probabilistic Traffic Forecasting with Dynamic Regression [15.31488551912888]
  本稿では,交通予測における誤り過程の学習を取り入れた動的回帰(DR)フレームワークを提案する。 このフレームワークは、行列構造自己回帰(AR)モデルを用いてベースモデルのエラー系列をモデル化することにより、時間独立の仮定を緩和する。 新たに設計された損失関数は、非等方的誤差項の確率に基づいており、モデルがベースモデルの元の出力を保持しながら確率的予測を生成することができる。
  論文  参考訳（メタデータ） (2023-01-17T01:12:44Z)
• Counterfactual Intervention Feature Transfer for Visible-Infrared Person Re-identification [69.45543438974963]
  視覚赤外人物再識別タスク(VI-ReID)におけるグラフベースの手法は,2つの問題により,悪い一般化に悩まされている。 十分に訓練された入力特徴は、グラフトポロジーの学習を弱め、推論過程において十分に一般化されない。 本稿では,これらの問題に対処するためのCIFT法を提案する。
  論文  参考訳（メタデータ） (2022-08-01T16:15:31Z)

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。