Fugu-MT 論文翻訳(概要): Graph Neural Networks for the Graphical Bootstrap

論文の概要: Graph Neural Networks for the Graphical Bootstrap

arxiv url: http://arxiv.org/abs/2607.03109v1
Date: Fri, 03 Jul 2026 08:45:19 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-07 22:26:29.523115
Title: Graph Neural Networks for the Graphical Bootstrap
Title（参考訳）: グラフブートストラップのためのグラフニューラルネットワーク
Abstract要約: グラフ変換器を含むグラフニューラルネットワークをベンチマークし、99.996%のROC AUCで大きなグラフに堅牢な一般化を実現する。従来のグラフィカルブートストラップアルゴリズムと比較して、モデルがどのように計算速度を上げることができるかを分析し、余剰データを分母グラフのレベルで最大8.5%まで縮小する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We study a graph classification problem involving over 20 million graphs, arising from high-order perturbative computations of correlators in planar $\mathcal{N}=4$ super-Yang--Mills, a model closely related to the theory of the strong nuclear force. We benchmark graph neural networks, including graph transformers, achieving robust generalization to larger graphs with up to $99.996\%$ ROC AUC. Then, we analyze how the models can be used to gain a computational speedup compared to the traditional graphical bootstrap algorithm, through shrinking the redundant data by up to $85.5\%$ at the level of denominator graphs. Finally, we study the embeddings of the models to investigate their interpretability.
Abstract（参考訳）: 本研究では,2000万グラフを超えるグラフ分類問題を,プランナー$\mathcal{N}=4$ Super-Yang-Millsにおけるコレレータの高次摂動計算から生じる。グラフ変換器を含むグラフニューラルネットワークをベンチマークし、最大99.996\%のROC AUCで大きなグラフへの堅牢な一般化を実現する。そこで,このモデルを用いて従来のグラフィカルブートストラップアルゴリズムと比較して計算速度を向上し,余剰データを分母グラフのレベルで最大8.5 %まで縮小する手法を解析した。最後に,モデルの埋め込みについて検討し,その解釈可能性について検討する。

関連論文リスト

Scalable Generative Modeling of Weighted Graphs [1.0923877073891446]
重み付きグラフ上の結合分布を学習する自己回帰モデル BiGG-E を開発したが、それでも空間性を利用して$n$ノードと$m$エッジを$O((n + m)log n)$時間で生成する。様々なベンチマークデータセットに関するシミュレーション研究と実験により、BiGG-Eは拡張性と計算効率を保ちながら重み付きグラフ上の分布を最もよく捉えていることが示された。
論文参考訳（メタデータ） (2025-07-30T21:28:28Z)
Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
論文参考訳（メタデータ） (2025-01-01T08:48:53Z)
Almost Surely Asymptotically Constant Graph Neural Networks [7.339728196535312]
出力は定数関数に収束し、これらの分類器が一様に表現できる上限となることを示す。この強い収束現象は、芸術モデルを含む非常に幅広い種類のGNNに適用される。我々はこれらの知見を実証的に検証し、収束現象がランダムグラフだけでなく、実世界のグラフにも現れることを観察した。
論文参考訳（メタデータ） (2024-03-06T17:40:26Z)
Fine-tuning Graph Neural Networks by Preserving Graph Generative Patterns [13.378277755978258]
プレトレーニンググラフと下流グラフの間の構造的ばらつきは,バニラ微調整戦略を用いた場合の転送可能性を大幅に制限することを示す。下流グラフの生成パターンを保存するためにG-Tuningを提案する。 G-Tuningはドメイン内およびドメイン外移行学習実験において平均0.5%と2.6%の改善を示している。
論文参考訳（メタデータ） (2023-12-21T05:17:10Z)
Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文参考訳（メタデータ） (2022-05-19T14:08:15Z)
Stability and Generalization Capabilities of Message Passing Graph Neural Networks [4.691259009382681]
グラフ分類におけるMPNNの一般化能力について検討する。経験的損失と統計的損失の間の一般化ギャップに非漸近的境界を導出する。これは、グラフに適用されたMPNNが、グラフが識別する幾何学的モデルに適用されたMPNNを近似することを示すことで証明される。
論文参考訳（メタデータ） (2022-02-01T18:37:53Z)
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)
Node Feature Extraction by Self-Supervised Multi-scale Neighborhood Prediction [123.20238648121445]
我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。 GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
論文参考訳（メタデータ） (2021-10-29T19:55:12Z)
Generalization of graph network inferences in higher-order graphical models [5.33024001730262]
確率的グラフィカルモデルは、複雑な統計構造を記述する強力なツールを提供する。辺化のような推論は一般グラフでは難解です我々は,多変数相互作用を含むグラフィカルモデル上での高速な近似推定を実現するために,Recurrent Factor Graph Neural Network (RF-GNN) を定義する。
論文参考訳（メタデータ） (2021-07-12T20:51:27Z)
Graph and graphon neural network stability [122.06927400759021]
グラフネットワーク(GNN)は、ネットワークデータの有意義な表現を生成するためにグラフ構造の知識に依存する学習アーキテクチャである。我々は,GNNの安定性を,グラファイトと呼ばれるカーネルオブジェクトを用いて解析する。
論文参考訳（メタデータ） (2020-10-23T16:55:56Z)
Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
論文参考訳（メタデータ） (2020-02-20T10:11:28Z)

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。