論文の概要: CGS: Configurable Graph Summarization with Bounded Neighborhood Loss and Query Support

• arxiv url: http://arxiv.org/abs/2607.10969v1
• Date: Mon, 13 Jul 2026 00:29:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.289759
• Title: CGS: Configurable Graph Summarization with Bounded Neighborhood Loss and Query Support
• Title（参考訳）: CGS: 境界付近の損失とクエリをサポートした構成可能なグラフ要約
• Abstract要約: 本稿では,共通近傍にノードを集約するというアイデアに基づいて,グラフ要約フレームワークCGS(Graph Summarizer)を提案する。 CGSは最先端の手法よりも優れた要約を提供し、かなり高い精度と効率でグラフクエリに答えることができる。
• 参考スコア（独自算出の注目度）: 7.257529967455028
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Given a large graph, how to generate a compact summary graph that is configurable by the user and supports multiple graph queries with either no loss or with high accuracy? The ever growing size of graph datasets makes the above question on graph summarization very pertinent. Although, there are several approaches, there does not exist a configurable graph summarization method that offers high compression along with support for multiple graph queries on the summary graph with high accuracy, and allows the user to configure the summarization based on: (1) lossless or lossy summarization, (2) amount of tolerable neighborhood loss, (3) the type of loss it can tolerate, in terms of false positive edges (i.e., extra edges), false negative edges (i.e., missing edges), or neither, in both the (a) reconstructed graph and the (b) query answers. To overcome these limitations, we propose a novel graph summarization framework CGS (Configurable Graph Summarizer) that builds upon the idea of aggregating nodes with common neighborhoods. The CGS framework consists of three summarization variants, CGS-E, CGS-I and CGS-U. While CGS-E is a lossless scheme, CGS-I and CGS-U are lossy schemes that allow reconstruction of the input graph with no false positive edges and no false negative edges, respectively. To bound the graph reconstruction loss, we introduce a user-specified parameter neighborhood loss tolerance threshold, that limits the maximum loss allowed in the neighborhood of each node. This allows graph reconstruction and neighborhood query evaluation with either no loss or with bounded loss guarantees. Empirical evaluation on several synthetic and real-world graphs shows that CGS offers superior summarization than the state-of-the-art methods, and can answer graph queries with fairly high accuracy and efficiency.
• Abstract（参考訳）: 巨大なグラフが与えられたら、ユーザが設定可能なコンパクトな要約グラフをどうやって生成し、損失も精度も無く複数のグラフクエリをサポートするのか? グラフデータセットのサイズが拡大するにつれて、上記のグラフの要約に関する疑問は非常に重要になる。 いくつかアプローチがあるが,要約グラフ上の複数のグラフクエリのサポートとともに高い圧縮を提供する構成可能なグラフ要約手法は存在しない。(1) 損失のないあるいは損失の多い要約,(2) 許容範囲の損失量,(3) 許容可能な損失の種類,(3) 偽陽性エッジ(例えば,余分なエッジ),偽負エッジ(すなわち,欠落エッジ),などに基づく要約を設定することができる。 (a)再建されたグラフ及び図 b) 質問応答。 これらの制限を克服するため、我々は、共通近傍にノードを集約するというアイデアに基づいて、新しいグラフ要約フレームワークCGS(Configurable Graph Summarizer)を提案する。 CGSフレームワークは、CGS-E、CGS-I、CGS-Uの3種類からなる。 CGS-E は損失のないスキームであるが、CGS-I と CGS-U は、それぞれ偽正のエッジと偽負のエッジを持たない入力グラフの再構成を可能にする損失のあるスキームである。 グラフ再構成損失を有界化するために,各ノードの近傍で許容される最大損失を制限するパラメータ指定近傍損失許容閾値を導入する。 これにより、損失も損失の保証もないグラフ再構成と近傍クエリの評価が可能になる。 いくつかの合成および実世界のグラフに対する実証的な評価は、CGSが最先端の手法よりも優れた要約を提供しており、グラフクエリにかなり高い精度と効率で答えることができることを示している。

関連論文リスト

• GraphContainer: A Unified Platform for Comparing and Debugging Graph RAG Methods [4.927427162899616]
  GraphContainerは、多様なグラフRAGを統一し視覚化するように設計された、新しいプラットフォームである。 本稿では、GraphContainerがグラフフォーマットと検索戦略の制御された比較を可能にする方法を示す。
  論文  参考訳（メタデータ） (2026-06-05T02:37:37Z)
• Dynamic Deep Graph Learning for Incomplete Multi-View Clustering with Masked Graph Reconstruction Loss [26.31060859315329]
  textbfIncomplete textbfMulti-textbfView textbfClustering with textbfMasked Graph Reconstruction Loss (DGIMVCM)を提案する。 次に、グラフ畳み込み埋め込み層を設計し、主要な特徴を抽出し、動的なビュー固有のグラフ構造を洗練し、グローバルグラフを利用して、不足するビューの計算を行う。
  論文  参考訳（メタデータ） (2025-11-14T11:26:38Z)
• Align-GRAG: Reasoning-Guided Dual Alignment for Graph Retrieval-Augmented Generation [79.75818239774952]
  大きな言語モデル(LLM)は目覚ましい能力を示しているが、幻覚や時代遅れの情報といった問題に苦戦している。 Retrieval-augmented Generation (RAG) は、情報検索システム(IR)を用いて、外部知識のLLM出力を基底にすることで、これらの問題に対処する。 本稿では、検索後句における新しい推論誘導二重アライメントフレームワークであるAlign-GRAGを提案する。
  論文  参考訳（メタデータ） (2025-05-22T05:15:27Z)
• GC-Bench: An Open and Unified Benchmark for Graph Condensation [54.70801435138878]
  我々は,グラフ凝縮の性能を解析するための総合的なグラフ凝縮ベンチマーク (GC-Bench) を開発した。 GC-Benchは、グラフ凝縮の特徴を以下の次元で体系的に研究している。 我々は,再現性のある研究を容易にするために,異なるGC手法を訓練し,評価するための簡易ライブラリを開発した。
  論文  参考訳（メタデータ） (2024-06-30T07:47:34Z)
• G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
  現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。 一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
  論文  参考訳（メタデータ） (2024-02-12T13:13:04Z)
• Structure-free Graph Condensation: From Large-scale Graphs to Condensed Graph-free Data [91.27527985415007]
  既存のグラフ凝縮法は、凝縮グラフ内のノードと構造の合同最適化に依存している。 我々は、大規模グラフを小さなグラフノード集合に蒸留する、SFGCと呼ばれる新しい構造自由グラフ凝縮パラダイムを提唱する。
  論文  参考訳（メタデータ） (2023-06-05T07:53:52Z)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• Graph Denoising with Framelet Regularizer [25.542429117462547]
  本稿では,特徴雑音と構造雑音の両面からグラフデータの正則化を行う。 本モデルでは, グラフが汚染されている場合でも, 一般的なグラフ畳み込みと比較して, 性能が著しく向上する。
  論文  参考訳（メタデータ） (2021-11-05T05:17:23Z)
• Inference Attacks Against Graph Neural Networks [33.19531086886817]
  グラフの埋め込みは、グラフ分析問題を解決する強力なツールである。 グラフ埋め込みの共有は興味深いが、関連するプライバシーリスクは未調査だ。 3つの推論攻撃を組み込むことで,グラフ埋め込みの情報漏洩を系統的に調査する。
  論文  参考訳（メタデータ） (2021-10-06T10:08:11Z)
• EGC2: Enhanced Graph Classification with Easy Graph Compression [3.599345724913102]
  グラフ圧縮を容易にする拡張グラフ分類モデルであるEGC$2$を提案する。 EGC$2$は、特徴グラフの構築と集約ノードレベルの表現の改善によって、異なるノードの機能間の関係をキャプチャする。 7つのベンチマークデータセットの実験により,提案した特徴読み出し機構とグラフ圧縮機構により,様々な基本モデルの堅牢性が向上することが示された。
  論文  参考訳（メタデータ） (2021-07-16T07:17:29Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)

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。