論文の概要: Does Graph Compression Preserve Signal Propagation?

• arxiv url: http://arxiv.org/abs/2607.23338v1
• Date: Sat, 25 Jul 2026 19:24:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.066448
• Title: Does Graph Compression Preserve Signal Propagation?
• Title（参考訳）: グラフ圧縮は信号伝達を保存するか?
• Abstract要約: 本研究では,2つの基本圧縮パラダイム,粗大化とスパーシフィケーションについて検討し,それらが元のグラフの伝播挙動を保存するかどうかを問う。 以上の結果から,両圧縮ファミリー間の一貫した緊張関係が明らかとなった。 これらの結果から,2つの伝搬中心の目的,信号の多様性の保存と伝播の忠実さの保存は,グラフ圧縮下では相違し,実証的に相違することが明らかとなった。
• 参考スコア（独自算出の注目度）: 0.7219077740523683
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph compression reduces the computational cost of graph learning, but its effect on signal propagation remains largely underexplored. Existing work evaluates compression through downstream task performance or structural preservation, neither of which directly captures how propagation dynamics change after compression. We study two fundamental compression paradigms, coarsening and sparsification, and ask whether they preserve the propagation behavior of the original graph. Across five datasets, varying compression rates, and propagation depths, we measure signal behavior through three complementary metrics. Our results reveal a consistent tension between the two compression families. Sparsification retains higher signal diversity and mitigates oversmoothing, but its propagation trajectory progressively diverges from that of the original graph. Coarsening more faithfully preserves propagation behavior, but at the cost of stronger smoothing and rank collapse. These findings demonstrate that two propagation-centric objectives, preserving signal diversity and preserving propagation fidelity, are distinct and empirically at odds under graph compression, highlighting the need for evaluation protocols that jointly consider both dimensions. The code and results are available at: https://github.com/KawshikBanerjee/Compression-Propagation-Duality
• Abstract（参考訳）: グラフ圧縮は、グラフ学習の計算コストを低減させるが、信号伝播に対するその効果は、ほとんど探索されていない。 既存の作業は、下流タスクのパフォーマンスや構造保存を通じて圧縮を評価するが、どちらも圧縮後の伝播ダイナミクスがどのように変化するかを直接キャプチャするものではない。 本研究では,2つの基本圧縮パラダイム,粗大化とスパーシフィケーションについて検討し,それらが元のグラフの伝播挙動を保存するかどうかを問う。 5つのデータセット,様々な圧縮速度,伝搬深さ,信号の挙動を3つの相補的指標を用いて測定する。 以上の結果から,両圧縮ファミリー間の一貫した緊張関係が明らかとなった。 スパシフィケーションは信号の多様性を高く保ち、過剰なスムースを緩和するが、その伝播軌道は元のグラフから徐々に分岐する。 粗大化は伝播挙動を忠実に保存するが、より強い平滑化と階級崩壊の犠牲となる。 これらの結果から,信号の多様性の保存と伝播の忠実さの保存という2つの伝搬中心の目的が,グラフ圧縮の下では相違点と相違点を経験的に示し,両次元を協調的に考慮する評価プロトコルの必要性を浮き彫りにした。 コードと結果は以下の通りである。 https://github.com/KawshikBanerjee/Compression-Propagation-Duality

関連論文リスト

• RDD: Pareto Analysis of the Rate-Distortion-Distinguishability Trade-off [2.7708222692419735]
  本稿では,圧縮の有効性,歪み量,圧縮正規信号と圧縮異常信号との差について述べる。
  論文  参考訳（メタデータ） (2025-09-29T13:55:35Z)
• Mitigating Over-Squashing in Graph Neural Networks by Spectrum-Preserving Sparsification [81.06278257153835]
  本稿では,構造的ボトルネック低減とグラフ特性保存のバランスをとるグラフ再構成手法を提案する。 本手法は、疎性を維持しながら接続性を高めたグラフを生成し、元のグラフスペクトルを大半保存する。
  論文  参考訳（メタデータ） (2025-06-19T08:01:00Z)
• GraphComp: Extreme Error-bounded Compression of Scientific Data via Temporal Graph Autoencoders [7.129137910302658]
  科学データの誤り境界圧縮のためのグラフベース手法である GraphCOMP を提案する。 グラフニューラルネットワーク(GNN)に着想を得て,グラフのサイズを大幅に縮小する潜在表現を学習するための時間グラフオートエンコーダを提案する。 圧縮はプロセスを逆転させ、学習したグラフモデルと潜在表現を用いて元のデータの近似を再構築する。
  論文  参考訳（メタデータ） (2025-05-08T18:58:54Z)
• Two Trades is not Baffled: Condensing Graph via Crafting Rational Gradient Matching [50.30124426442228]
  大規模グラフの学習はグラフ表現学習において顕著な成果を上げてきたが、そのコストと記憶力の増大が懸念されている。 そこで我々は,textbfCraftextbfTing textbfRationatextbf (textbfCTRL) という新しいグラフ手法を提案する。
  論文  参考訳（メタデータ） (2024-02-07T14:49:10Z)
• Through the Dual-Prism: A Spectral Perspective on Graph Data Augmentation for Graph Classification [67.35058947477631]
  本稿では,DP-Noise や DP-Mask などの拡張グラフを多角化しながら,重要なグラフ特性を維持できるDual-Prism (DP) 拡張手法を提案する。 大規模な実験により、我々のアプローチの効率が検証され、グラフデータ拡張のための新しい有望な方向が提供される。
  論文  参考訳（メタデータ） (2024-01-18T12:58:53Z)
• Balancing Summarization and Change Detection in Graph Streams [11.188324016882342]
  我々は,グラフ要約における圧縮速度と変化検出における精度との間にはトレードオフがあると主張している。 本稿では,このトレードオフのバランスを保ち,信頼性の高いグラフ要約と変更検出を同時に実現するための新しい定量的手法を提案する。
  論文  参考訳（メタデータ） (2023-11-30T16:39:46Z)
• Beyond spectral gap: The role of the topology in decentralized learning [58.48291921602417]
  機械学習モデルのデータ並列最適化では、労働者はモデルの推定値を改善するために協力する。 本稿では、労働者が同じデータ分散を共有するとき、疎結合な分散最適化の正確な図面を描くことを目的とする。 我々の理論は深層学習における経験的観察と一致し、異なるグラフトポロジーの相対的メリットを正確に記述する。
  論文  参考訳（メタデータ） (2022-06-07T08:19:06Z)
• Partition and Code: learning how to compress graphs [50.29024357495154]
  まず、分割アルゴリズムがグラフを基本構造に分解し、これらを確率分布を学習する小さな辞書の要素にマッピングし、エントロピーエンコーダが表現をビットに変換する。 提案アルゴリズムは,非パラメトリックおよびパラメトリックグラフ圧縮器の異なるファミリーに対して,多種多様な実世界のネットワーク上で定量的に評価し,大幅な性能向上を実現している。
  論文  参考訳（メタデータ） (2021-07-05T11:41:16Z)
• Hyperbolic Graph Embedding with Enhanced Semi-Implicit Variational Inference [48.63194907060615]
  半単純グラフ変分自動エンコーダを用いて,低次元グラフ潜在表現における高次統計量を取得する。 我々は、階層構造を示すグラフを効率的に表現するために、ポインケア埋め込みを通して潜在空間に双曲幾何学を組み込む。
  論文  参考訳（メタデータ） (2020-10-31T05:48:34Z)
• Generation and Robustness of Quantum Entanglement in Spin Graphs [0.0]
  絡み合いは量子情報処理にとって重要な資源である。 グラフ構造を用いて高忠実な絡み合った状態を生成する方法を示す。 また,製造誤差が絡み合い発生プロトコルに与える影響についても検討する。
  論文  参考訳（メタデータ） (2020-02-18T16:11:57Z)

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。