論文の概要: Learning Graphs through Continuous Information Entropy Fields

• arxiv url: http://arxiv.org/abs/2606.22895v1
• Date: Mon, 22 Jun 2026 06:11:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 03:49:27.194545
• Title: Learning Graphs through Continuous Information Entropy Fields
• Title（参考訳）: 連続情報エントロピーフィールドによるグラフの学習
• Authors: Hui Cong, Bo Sun, Ziheng Jiao, Yisheng An,
• Abstract要約: グラフ理論は本質的に記述的であり、どのような関係が存在するかを把握するが、エッジを原始的な構成として扱うため、それらが生じる理由を捉えない。 本稿では,グラフ学習のための新しい説明フレームワークを提案する。そこでは,潜時連続情報エントロピー場から関係が出現し,グラフが基礎となるフィールドの離散的インスタンス化となる。
• 参考スコア（独自算出の注目度）: 10.251122429103164
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph theory is inherently descriptive, capturing what relationships exist but not why they arise, because it treats edges as primitive constructs. This paper proposes a new explanatory framework for graph learning, where relationships emerge from latent continuous information entropy fields, and a graph becomes a discrete instantiation of an underlying field. To formalize this field, we introduce the Field-informed Graph Network (FGN). It learns a scalar field from node features and leverages it to modulate message passing. The information-theoretic objective balances structural fidelity with field smoothness, forming a self-reinforcing loop. In this loop, the field modulates information diffusion through field-modulated weighting, and the updated node representations iteratively refine the field. As a result, FGN learns by simulating its own co-evolution. Extensive experiments on node classification and graph classification benchmarks demonstrate superior performance, robustness to perturbations, and structurally coherent field representations.
• Abstract（参考訳）: グラフ理論は本質的に記述的であり、どのような関係が存在するかを把握するが、エッジを原始的な構成として扱うため、それらが生じる理由を捉えない。 本稿では,グラフ学習のための新しい説明フレームワークを提案する。そこでは,潜時連続情報エントロピー場から関係が出現し,グラフが基礎となるフィールドの離散的インスタンス化となる。 このフィールドを形式化するために、フィールドインフォームドグラフネットワーク(FGN)を導入する。 ノード機能からスカラーフィールドを学び、それを利用してメッセージパッシングを変調する。 情報理論の目的は、構造的忠実度とフィールドの滑らかさとのバランスを保ち、自己強化ループを形成する。 このループでは、フィールドはフィールド変調重み付けによって情報拡散を変調し、更新されたノード表現はフィールドを反復的に洗練する。 その結果、FGNは自身の共進化をシミュレートして学習する。 ノード分類とグラフ分類ベンチマークに関する大規模な実験は、優れた性能、摂動に対する堅牢性、そして構造的に一貫性のあるフィールド表現を示す。

関連論文リスト

• Learning Latent Graph Geometry via Fixed-Point Schrödinger-Type Activation: A Theoretical Study [1.1745324895296467]
  我々は、学習された潜在グラフ上の散逸的シュリンガー型ダイナミクスの定常状態として内部表現が進化するニューラルアーキテクチャの統一的理論的枠組みを開発する。 我々は、平衡の存在、一意性、滑らかな依存を証明し、力学がノルム保存ランダウ-リフシッツ流にブロッホ写像の下で等価であることを示す。 結果として得られるモデルクラスは、固定点 Schr"odinger 型のアクティベーションを通して潜在グラフ幾何学を学ぶためのコンパクトで幾何学的に解釈可能で解析的に抽出可能な基礎を提供する。
  論文  参考訳（メタデータ） (2025-07-27T00:35:15Z)
• From GNNs to Trees: Multi-Granular Interpretability for Graph Neural Networks [29.032055397116217]
  解釈可能なグラフニューラルネットワーク(GNN)は、モデル予測の背後にある理由を明らかにすることを目的としている。 既存の部分グラフベースの解釈可能なメソッドは、局所構造上のオーバーエンハンシスに悩まされる。 グラフ分類のための新しいツリーライクな解釈フレームワーク(TIF)を提案する。
  論文  参考訳（メタデータ） (2025-05-01T07:22:51Z)
• Self-organization Preserved Graph Structure Learning with Principle of Relevant Information [72.83485174169027]
  PRI-GSLは、自己組織化を特定し、隠された構造を明らかにするグラフ構造学習フレームワークである。 PRI-GSLは、フォン・ノイマンエントロピーと量子ジェンセン=シャノンの発散によって定量化された最も関連性が最も低い冗長な情報を含む構造を学ぶ。
  論文  参考訳（メタデータ） (2022-12-30T16:02:02Z)
• Deep learning and multi-level featurization of graph representations of microstructural data [0.0]
  均質化は、外部負荷に対するミクロ構造のサンプルの平均応答を予測するタスクを示す。 そこで本研究では,初期入力フィールドの離散化と分節化を考慮に入れたグラフ上に隠れた特徴を深く学習する手法を開発した。 この縮小表現は、その後のマルチレベル/スケールグラフ畳み込みネットワークモデルの基礎となる。
  論文  参考訳（メタデータ） (2022-09-29T14:25:17Z)
• Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
  グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。 最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。 科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
  論文  参考訳（メタデータ） (2022-05-15T11:38:14Z)
• Graph Kernel Neural Networks [53.91024360329517]
  本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。 これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。 私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
  論文  参考訳（メタデータ） (2021-12-14T14:48:08Z)
• SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
  本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。 まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。 次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。 最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
  論文  参考訳（メタデータ） (2021-12-12T14:18:18Z)

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。