論文の概要: Linkify: Learning from Interface-Augmented Assembly Graphs

• arxiv url: http://arxiv.org/abs/2607.01205v1
• Date: Wed, 01 Jul 2026 17:45:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:08.012039
• Title: Linkify: Learning from Interface-Augmented Assembly Graphs
• Title（参考訳）: Linkify: インターフェース拡張アセンブリグラフから学ぶ
• Authors: Anushrut Jignasu, Daniele Grandi,
• Abstract要約: Linkifyは、コンテキスト認識部分の検索を可能にするために、インターフェイス拡張アセンブリグラフから学ぶためのフレームワークである。 ノードが部分幾何を符号化し、エッジが予め訓練されたポイントクラウドエンコーダを介してインタフェース幾何を符号化するアセンブリグラフを構築する。 この表現の上に、GATv2に基づくグラフ注意ネットワークをトレーニングし、マスク付き部分予測タスクを解決する。
• 参考スコア（独自算出の注目度）: 1.8268783909022686
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present Linkify, a framework for learning from interface-augmented assembly graphs to enable context-aware part retrieval in mechanical assemblies. While recent generative AI methods for CAD have focused largely on isolated parts or monolithic assemblies, the rich geometric information at the interfaces between parts, where function is realized, remains underexplored. We address this gap by recomputing high-fidelity interface geometry for the Fusion 360 Gallery Assembly dataset, correcting missing and erroneous contacts, and generating point-cloud representations of local contact regions. Using this data, we construct assembly graphs whose nodes encode part geometry and whose edges encode interface geometry via a pretrained point-cloud encoder. On top of this representation, we train a Graph Attention Network based on GATv2 to solve a masked part prediction task: given an assembly with one part held out, the model predicts the class of the missing component from a large vocabulary of geometrically clustered parts, thereby approximating a realistic part-retrieval scenario. Compared to non-graph baselines such as logistic regression and k-nearest neighbors operating on aggregated node features, Linkify achieves higher Top-K accuracy and F1 scores. Ablation studies on graph connectivity, edge attributes, and attention mechanisms demonstrate that accurate contact computation and dynamic attention over interfaces are critical for performance. Our corrected interface dataset and training pipeline, released publicly, provide a foundation for future interface-aware models for assembly retrieval, validation, and generative design.
• Abstract（参考訳）: メカニカルアセンブリにおけるコンテキスト認識部分の検索を可能にするために,インターフェース拡張アセンブリグラフから学習するフレームワークであるLinkifyを提案する。 CADの最近の生成的AI手法は、主に孤立した部分やモノリシックなアセンブリに焦点を当てているが、関数が実現された部分間のインターフェースにおけるリッチな幾何学的情報は、まだ探索されていない。 このギャップに対処するために、Fusion 360 Gallery Assemblyデータセットの高忠実度インタフェース幾何を再計算し、欠落や誤接触を修正し、局所的な接触領域のポイントクラウド表現を生成する。 このデータを用いて、ノードが部分幾何学を符号化し、エッジが予め訓練されたポイントクラウドエンコーダを介してインタフェース幾何学を符号化するアセンブリグラフを構築する。 この表現の上に、GATv2に基づくグラフ注意ネットワークをトレーニングして、マスク付き部分予測タスクを解く: 1つの部分を持つアセンブリが与えられたら、幾何学的にクラスタ化された部分の大きな語彙から欠落したコンポーネントのクラスを予測し、現実的な部分検索シナリオを近似する。 集計ノード機能で動作するロジスティック回帰やkアレスト近傍などの非グラフベースラインと比較して、LinkifyはTop-K精度とF1スコアを達成する。 グラフ接続性、エッジ属性、アテンション機構に関するアブレーション研究は、正確な接触計算とインターフェースに対する動的アテンションがパフォーマンスに重要であることを示した。 我々の修正されたインタフェースデータセットとトレーニングパイプラインは公開され、アセンブリ検索、検証、生成設計のための将来のインターフェース対応モデルの基礎を提供する。

関連論文リスト

• LineGraph2Road: Structural Graph Reasoning on Line Graphs for Road Network Extraction [0.0]
  LineGraph2Roadは、構築されたグローバルだがスパースなユークリッドグラフにおいて、エッジ上のバイナリ分類として定式化することで接続性予測を改善するフレームワークである。 都市スケール,SpaceNet,Global-scaleの3つのベンチマークで評価し,TOPO-F1とAPLSの2つの主要な指標で最先端の結果が得られたことを示す。
  論文  参考訳（メタデータ） (2026-02-26T18:02:44Z)
• Edge-Centric Relational Reasoning for 3D Scene Graph Prediction [74.19580969696898]
  3Dシーングラフ予測は、複雑な3D環境をオブジェクトとそのペア関係からなる構造化グラフに抽象化することを目的としている。 既存のアプローチでは、接続されたオブジェクトノードからメッセージを集約することで、関係エッジ機能を反復的に更新するオブジェクト中心のグラフニューラルネットワークが一般的である。 本稿では,オブジェクト認識融合を用いたリンク誘導エッジ中心関係推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-19T09:53:56Z)
• RankGraph: Unified Heterogeneous Graph Learning for Cross-Domain Recommendation [26.878738892518427]
  RankGraphはスケーラブルなグラフ学習フレームワークで、推奨基礎モデル(FM)のコアコンポーネントとして機能するよう設計されている。 我々のフレームワークはGPUで加速されたグラフニューラルネットワークとコントラスト学習を採用しており、サブグラフの動的抽出を可能にしている。 RankGraphは、オンラインA/Bテストにおけるクリック(+0.92%)とコンバージョンレート(+2.82%)の改善を実証している。
  論文  参考訳（メタデータ） (2025-09-03T02:16:50Z)
• SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
  本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。 私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。 アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
  論文  参考訳（メタデータ） (2024-09-30T17:59:03Z)
• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• Distributed Learning over Networks with Graph-Attention-Based Personalization [49.90052709285814]
  分散ディープラーニングのためのグラフベースパーソナライズアルゴリズム(GATTA)を提案する。 特に、各エージェントのパーソナライズされたモデルは、グローバルな部分とノード固有の部分で構成される。 グラフ内の各エージェントを1つのノードとして扱うことにより、ノード固有のパラメータを特徴として扱うことにより、グラフアテンション機構の利点を継承することができる。
  論文  参考訳（メタデータ） (2023-05-22T13:48:30Z)
• Detecting Objects with Context-Likelihood Graphs and Graph Refinement [45.70356990655389]
  本研究の目的は,オブジェクトと関係を別々に学習する既存の手法とは対照的に,オブジェクトの関係分布を共同で学習することである。 本稿では,オブジェクト間関係と初期クラス予測から画像のグラフィカルな表現を生成する新しい手法を提案する。 次に,エネルギーに基づくモデリング手法を用いて接合部を学習し,与えられた画像に対して文脈類似グラフを反復的に改良する。
  論文  参考訳（メタデータ） (2022-12-23T15:27:21Z)
• S$^2$Contact: Graph-based Network for 3D Hand-Object Contact Estimation with Semi-Supervised Learning [70.72037296392642]
  モノクロ画像から接触を学習できる新しい半教師付きフレームワークを提案する。 具体的には、大規模データセットにおける視覚的および幾何学的整合性制約を利用して擬似ラベルを生成する。 より正確な再構築を行うために手動インタラクションを規定するコンタクトマップを使用することの利点を示す。
  論文  参考訳（メタデータ） (2022-08-01T14:05:23Z)
• Track Seeding and Labelling with Embedded-space Graph Neural Networks [3.5236955190576693]
  Exa.TrkXプロジェクトは、粒子トラック再構築のための機械学習アプローチを調査している。 これらのソリューションで最も有望なのは、グラフニューラルネットワーク(GNN)で、トラック計測を接続するグラフとしてイベントを処理する。 この課題に対する最先端アーキテクチャの更新について報告する。
  論文  参考訳（メタデータ） (2020-06-30T23:43:28Z)

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。