論文の概要: Graph Neural Networks for Scalable and Transferable Node Centrality Approximation

• arxiv url: http://arxiv.org/abs/2607.09372v1
• Date: Fri, 10 Jul 2026 12:53:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 14:47:12.842511
• Title: Graph Neural Networks for Scalable and Transferable Node Centrality Approximation
• Title（参考訳）: スケーラブルで転送可能なノード中心性近似のためのグラフニューラルネットワーク
• Abstract要約: グラフニューラルネットワーク(GNN)は、正確な計算に費用がかかるグラフ量を近似するための学習ベースのフレームワークを提供する。 本稿では,ノードレベルの問題として定式化された,相互性と近接性の中心性のスケーラブルな近似のためのGNNについて検討する。 メッセージパッシングGNNは、異なるグラフトポロジ間で伝達可能な構造表現を学習できるかどうかを検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Neural Networks (GNNs) provide a learning-based framework for approximating graph quantities that are expensive to compute exactly. This paper investigates GNNs for scalable approximation of betweenness and closeness centrality, formulated as a node-ranking problem. Exact centrality values are used as supervision, and ranking quality is evaluated using Kendall's tau rank correlation. We study whether message-passing GNNs can learn transferable structural representations across different graph topologies rather than only fitting the distribution used during training. On unseen Erdos renyi graphs, the proposed models achieve tau = 0.851 for betweenness and tau = 0.894 for closeness. A large-scale betweenness model trained on graphs with N = 5,000 nodes achieves tau = 0.938, demonstrating scalability. Mixed-distribution training on Erdos renyi, Barabasi-Albert, and Gaussian Random Partition graphs improves betweenness transfer across graph families. In contrast, closeness centrality remains more sensitive to community-structured graphs and shows reduced transfer to real-world topologies. Finally, GNN inference achieves up to a 97.7x speedup over exact computation. These results show that mixed-distribution training can improve structural transfer in GNN-based centrality approximation, while identifying closeness centrality's sensitivity to topology as an open challenge.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、正確な計算に費用がかかるグラフ量を近似するための学習ベースのフレームワークを提供する。 本稿では,ノードレベルの問題として定式化された,相互性と近接性の中心性のスケーラブルな近似のためのGNNについて検討する。 厳密な中央値が監督として使われ、ケンドールのタウランク相関を用いてランキング品質が評価される。 メッセージパスGNNは、学習中に使用する分布に適合するのではなく、異なるグラフトポロジ間で伝達可能な構造表現を学習できるかどうかを検討する。 目に見えないエルドス・レニーグラフ上では、提案されたモデルは間性に対して tau = 0.851 、近性に対しては tau = 0.894 となる。 N = 5,000ノードのグラフ上で訓練された大規模な相互性モデルは Tau = 0.938 を達成し、スケーラビリティを示している。 Erdos renyi, Barabasi-Albert, Gaussian Random Partition グラフの混合分布訓練は、グラフファミリ間の空間移動を改善する。 対照的に、密集度中心性は、コミュニティ構造グラフに対してより敏感であり、現実世界のトポロジへの移動の減少を示している。 最後に、GNN推論は正確な計算よりも97.7倍のスピードアップを達成する。 これらの結果から,混合分布学習は,GNNに基づく中心性近似における構造伝達を改善するとともに,近さ中心性に対するトポロジに対する感受性をオープンな課題として認識できることが示された。

関連論文リスト

• Gaussian Rank-Based Neighborhood Degree for Graph Neural Networks in Image Classification [2.7783060691263906]
  GRaNDe (Gaussian Rank-based Neighborhood Degree) を提案する。 5つの公開画像分類データセットの実験は、最先端の手法と比較して、一貫した精度の向上と競争力または優れた結果を示している。
  論文  参考訳（メタデータ） (2026-05-23T03:07:56Z)
• BRAVA-GNN: Betweenness Ranking Approximation Via Degree MAss Inspired Graph Neural Network [9.415620265692878]
  道路網などの高次元グラフに一般化する軽量なグラフニューラルネットワークアーキテクチャを提案する。 我々は,BRAVA-GNNによるKendall-Tau相関の最大214%向上と,最先端手法による推論時間の最大70倍の高速化を実現していることを示す。
  論文  参考訳（メタデータ） (2026-02-10T12:20:09Z)
• Scalable and Consistent Graph Neural Networks for Distributed Mesh-based Data-driven Modeling [0.0]
  この研究は、メッシュベースのモデリングアプリケーションのための分散グラフニューラルネットワーク(GNN)方法論を開発する。 一貫性とは、1つのランク(1つの大きなグラフ)で訓練され評価されたGNNが、複数のランク(分割グラフ)での評価と算術的に等価であるという事実を指す。 NekRSメッシュのパーティショニングが分散GNNトレーニングと推論ルーチンにどのようにリンクできるかを示し、スケーラブルなメッシュベースのデータ駆動モデリングワークフローを実現する。
  論文  参考訳（メタデータ） (2024-10-02T15:22:27Z)
• Learning to Reweight for Graph Neural Network [63.978102332612906]
  グラフニューラルネットワーク(GNN)は、グラフタスクに対して有望な結果を示す。 既存のGNNの一般化能力は、テストとトレーニンググラフデータの間に分散シフトが存在する場合に低下する。 本稿では,分布外一般化能力を大幅に向上させる非線形グラフデコリレーション法を提案する。
  論文  参考訳（メタデータ） (2023-12-19T12:25:10Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• 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)
• Training Graph Neural Networks on Growing Stochastic Graphs [114.75710379125412]
  グラフニューラルネットワーク(GNN)は、ネットワーク化されたデータの意味のあるパターンを活用するために、グラフ畳み込みに依存している。 我々は,成長するグラフ列の極限オブジェクトであるグラフオンを利用して,非常に大きなグラフ上のGNNを学習することを提案する。
  論文  参考訳（メタデータ） (2022-10-27T16:00:45Z)
• Generalizing Graph Neural Networks on Out-Of-Distribution Graphs [51.33152272781324]
  トレーニンググラフとテストグラフの分散シフトを考慮せずにグラフニューラルネットワーク(GNN)を提案する。 このような環境では、GNNは、たとえ素早い相関であるとしても、予測のためのトレーニングセットに存在する微妙な統計的相関を利用する傾向がある。 本稿では,スプリアス相関の影響を排除するため,StableGNNと呼ばれる一般的な因果表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-20T18:57:18Z)
• Graph Neural Networks with Feature and Structure Aware Random Walk [7.143879014059894]
  典型的な好適なグラフでは、エッジを指向する可能性があり、エッジをそのまま扱うか、あるいは単純に非指向にするかは、GNNモデルの性能に大きな影響を与える。 そこで我々は,グラフの方向性を適応的に学習するモデルを開発し,ノード間の長距離相関を生かした。
  論文  参考訳（メタデータ） (2021-11-19T08:54:21Z)
• Graph Neural Networks: Architectures, Stability and Transferability [176.3960927323358]
  グラフニューラルネットワーク(GNN)は、グラフでサポートされている信号のための情報処理アーキテクチャである。 これらは、個々の層がグラフ畳み込みフィルタのバンクを含む畳み込みニューラルネットワーク(CNN)の一般化である。
  論文  参考訳（メタデータ） (2020-08-04T18:57:36Z)

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。