論文の概要: Spectral Flow Certificates for Depth-Aware Long-Range Propagation in Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2607.21607v1
• Date: Sat, 16 May 2026 19:55:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:38.936987
• Title: Spectral Flow Certificates for Depth-Aware Long-Range Propagation in Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークにおける奥行きを意識したロングレンジ伝播のためのスペクトルフロー証明書
• Abstract要約: グラフニューラルネットワークは、ローカルメッセージパッシングを通じて情報を伝達するが、グラフトポロジ自体が、長時間のタスクを解決するためのトレーニングを静かに防止することができる。 グラフの正規化ラプラシアンから数秒で計算される単一スカラーであるスペクトルフロー認証(SFC)を提案する。 SFCは、訓練されたGNN長距離精度の2倍以上のばらつきを説明できる。
• 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 propagate information through local message passing, but the graph topologies themselves can silently prevent any amount of training from solving long-range tasks. When we deploy GNNs on new graphs, there is currently no inexpensive way to know, before training begins, whether the graphs' structures will allow information to travel far enough between distant nodes. We address this gap by proposing Spectral Flow Certificates (SFCs), single scalars computed from the graphs' normalised Laplacians in seconds, requiring no model training and no labelled data. An SFC fuses a graph's algebraic connectivity with the chosen message-passing depth into one number that measures how much of the critical spectral bottleneck can be traversed within the available depth budget. Unlike raw spectral gaps, which are static and depth-agnostic, SFCs adapt as the number of layers increases and therefore carry strictly more diagnostic information when depths vary. Compared with classical structural statistics such as average effective resistance and graph diameter, SFCs explain more than twice as much variance in trained GNN long-range accuracy. Across twenty-five synthetic graph families spanning paths, cycles, grids, regular graphs, and random graphs, SFCs predict trained accuracy before any gradients are computed, achieving explanatory power above ninety percent at all tested depths. The same predictive relationships hold on one hundred fifty real molecular graph topologies drawn from three independent benchmark datasets, confirming that the findings are not artefacts of their synthetic construction. Taken together, these results show that a single eigenvalue computation is sufficient to flag topology-limited graphs before committing to expensive training pipelines, providing a principled first filter for GNN deployments.
• Abstract（参考訳）: グラフニューラルネットワークは、ローカルメッセージパッシングを通じて情報を伝達するが、グラフトポロジ自体が、長時間のタスクを解決するためのトレーニングを静かに防止することができる。 新しいグラフにGNNをデプロイする場合、トレーニングが始まる前に、グラフの構造が遠いノード間で十分な情報移動を可能にするかどうかを知るための安価な方法が現在存在しない。 このギャップに対処するために、SFC(Spectral Flow Certificates)を提案する。これはグラフの正規化ラプラシアンから数秒で計算された単一のスカラーであり、モデルトレーニングもラベル付きデータも不要である。 SFCは、選択されたメッセージパス深さとグラフの代数的接続を1つの数に融合し、重要なスペクトルボトルネックのどれ程を利用可能な深さ予算内で通過できるかを測定する。 静的かつ深さに依存しない生スペクトルギャップとは異なり、SFCは層数が増加するにつれて適応し、深さが変化するとより厳密な診断情報を運ぶ。 平均有効抵抗やグラフ径といった古典的な構造統計と比較すると、SFCは訓練されたGNN長距離精度の2倍以上のばらつきを説明できる。 経路、サイクル、グリッド、正規グラフ、ランダムグラフにまたがる25の合成グラフファミリにおいて、SFCは任意の勾配が計算される前に訓練された精度を予測し、全ての試験された深さで90%以上の説明力を達成する。 同じ予測的関係は、3つの独立したベンチマークデータセットから得られた100の実際の分子グラフトポロジーを保ち、これらの発見が合成構築の成果ではないことを確認している。 これらの結果は、高価なトレーニングパイプラインにコミットする前に、トポロジに制限されたグラフにフラグを付けるのに、単一の固有値計算が十分であることを示し、GNNデプロイメントのための原則化された第1フィルタを提供する。

関連論文リスト

• How does Graph Structure Modulate Membership-Inference Risk for Graph Neural Networks? [0.34546020643989767]
  グラフニューラルネットワーク(GNN)は、データとその複雑な関係を連続表現に符号化するための標準ツールとなっている。 センシティブなアプリケーションでの利用は、トレーニングデータの漏洩の可能性への懸念を引き起こしている。 GNNにおけるプライバシー漏洩の研究は、主に非グラフドメインからの発見によって形作られた。
  論文  参考訳（メタデータ） (2026-01-23T19:08:36Z)
• GraphTOP: Graph Topology-Oriented Prompting for Graph Neural Networks [66.07512871031163]
  ラベルなしグラフデータよりも強力なグラフニューラルネットワーク(GNN)を事前学習する。 適応段階では、グラフプロンプトは学習可能なプロンプトで入力グラフデータを修正し、事前学習されたGNNモデルを凍結し続ける。 本稿では,事前学習したGNNモデルを下流タスクに効果的に適用するために,最初の**Graph****opology-**O**riented **P**rompting(GraphTOP)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-25T22:50:12Z)
• MentorGNN: Deriving Curriculum for Pre-Training GNNs [61.97574489259085]
  本稿では,グラフ間のGNNの事前学習プロセスの監視を目的とした,MentorGNNというエンドツーエンドモデルを提案する。 我々は、事前学習したGNNの一般化誤差に自然かつ解釈可能な上限を導出することにより、関係データ(グラフ)に対するドメイン適応の問題に新たな光を当てた。
  論文  参考訳（メタデータ） (2022-08-21T15:12:08Z)
• DiffWire: Inductive Graph Rewiring via the Lov\'asz Bound [1.0323063834827415]
  グラフニューラルネットワーク(GNN)は、グラフ関連タスクに対処するための競合的な結果を達成することが示されている。 MPNNは、過密、過密、過密に悩まされていると報告されている。 DiffWireは、MPNNでグラフを書き換える新しいフレームワークであり、原則的で、完全に微分可能で、パラメータフリーである。
  論文  参考訳（メタデータ） (2022-06-15T08:22:07Z)
• Template based Graph Neural Network with Optimal Transport Distances [11.56532171513328]
  現在のグラフニューラルネットワーク(GNN)アーキテクチャは、2つの重要なコンポーネントに依存している。 本稿では,学習可能なグラフテンプレートとの距離をグラフ表現のコアに配置する新しい視点を提案する。 この距離埋め込みは、Fused Gromov-Wasserstein (FGW) 距離という最適な輸送距離によって構築される。
  論文  参考訳（メタデータ） (2022-05-31T12:24:01Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• Graph Networks with Spectral Message Passing [1.0742675209112622]
  本稿では,空間領域とスペクトル領域の両方にメッセージパッシングを適用するSpectral Graph Networkを紹介する。 その結果,spectrum gnは効率のよいトレーニングを促進し,より多くのパラメータを持つにもかかわらず,少ないトレーニングイテレーションで高いパフォーマンスを達成できることがわかった。
  論文  参考訳（メタデータ） (2020-12-31T21:33:17Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• Scalable Graph Neural Networks via Bidirectional Propagation [89.70835710988395]
  グラフニューラルネットワーク(GNN)は、非ユークリッドデータを学習するための新興分野である。 本稿では、特徴ベクトルとトレーニング/テストノードの両方から局所的な双方向伝搬プロセスを利用するスケーラブルなGNNであるGBPを提案する。 実証実験により、GBPは、トレーニング/テスト時間を大幅に減らして最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2020-10-29T08:55:33Z)
• Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph Neural Networks [183.97265247061847]
  我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。 GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。 また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
  論文  参考訳（メタデータ） (2020-03-08T13:02:15Z)

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。