論文の概要: CondPSE: A Polynomial-Filtered Structural Encoder with Conditional Modulation for Graphs
- arxiv url: http://arxiv.org/abs/2607.25169v1
- Date: Tue, 28 Jul 2026 00:46:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.669131
- Title: CondPSE: A Polynomial-Filtered Structural Encoder with Conditional Modulation for Graphs
- Title（参考訳）: CondPSE: グラフの条件変調による多項式フィルタ構造エンコーダ
- Abstract要約: 学習可能なグラフフィルタバンクを標準ガウスノードプローブに適用した学習用PSEエンコーダであるCondPSEを提案する。
CondPSEはノードレベルの位置/構造的ターゲットとグラフレベルの不変量に事前訓練されている。
CSLの精度は42.9%から97.3%に上昇し、EXPの精度は68.3%から99.9%に向上した。
- 参考スコア（独自算出の注目度）: 8.721619913104899
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Message-passing graph neural networks are bounded by the 1-WL test and can miss topological structure that distinguishes non-isomorphic graphs. Positional and structural encodings (PSE) inject such topology-derived signals, and learned PSE encoders such as GPSE pretrain a single encoder to produce these signals from random node probes, which can then be frozen and reused as inputs across downstream graph models. We present CondPSE, a learned PSE encoder that applies a learnable polynomial graph filter bank to standard Gaussian node probes and refines the resulting structural-response branches through FiLM-style modulation conditioned on cross-filter, local message-passing, and graph-level signals. CondPSE is pretrained to reconstruct node-level positional/structural targets and graph-level invariants, and is then frozen for use as a downstream input encoding. On synthetic structural-discrimination benchmarks, CondPSE separates graph structures that 1-WL-bounded message passing cannot: it raises CSL accuracy from 42.9% to 97.3% and EXP accuracy from 68.3% to 99.9% relative to GPSE, and ablations show that the polynomial filter bank accounts for most of this gain. On real molecular property prediction, the picture is more limited. With a hybrid local-message-passing/global-attention backbone, CondPSE performs comparably to GPSE without surpassing it, and a ZINC backbone sweep shows no consistent ordering between the two encoders. We report these results and discuss why strong synthetic structural discrimination does not, on its own, yield a downstream advantage for frozen learned PSE encoders, including the role of downstream integration and possible mismatch between structural pretraining targets and molecular property labels.
- Abstract（参考訳）: メッセージパッシンググラフニューラルネットワークは1-WLテストによって境界付けられ、非同型グラフを区別する位相構造を見逃すことができる。
位置的および構造的エンコーディング(PSE)はそのようなトポロジ由来の信号を注入し、GPSEなどの学習用PSEエンコーダは単一エンコーダを事前訓練してランダムノードプローブからこれらの信号を生成し、下流グラフモデルの入力として凍結して再利用することができる。
学習可能な多項式グラフフィルタバンクを標準ガウスノードプローブに適用し、クロスフィルタ、ローカルメッセージパス、グラフレベル信号で条件付きFiLMスタイルの変調により構造応答分岐を洗練する学習用PSEエンコーダであるCondPSEを提案する。
CondPSEはノードレベルの位置/構造的ターゲットとグラフレベルの不変量を再構築するために事前訓練され、下流の入力エンコーディングとして使用するために凍結される。
合成構造識別ベンチマークにおいて、CondPSEは1-WL境界のメッセージパッシングが不可能であるグラフ構造を分離している: CSLの精度を42.9%から97.3%に、EXPの精度を68.3%から99.9%に引き上げる。
実際の分子特性予測では、この図はより限定的である。
ハイブリッドなローカルメッセージパッシング/グローバルアテンションバックボーンにより、CondPSEはGPSEと互換性があり、ZINCバックボーンスイープは2つのエンコーダ間の一貫性のない順序を示す。
以上の結果から, 凍結学習されたPSEエンコーダに対して, 強い合成的構造的差別が, 下流統合の役割や, 構造的事前学習対象と分子特性ラベルとのミスマッチなど, 下流の優位性をもたらすのかを考察した。
関連論文リスト
- Columnar-Embedder: A Biologically Inspired Cortical Architecture for Binary Sparse Distributed Graph Representations [0.0]
グラフノードのスパース分散表現を学習するためのカラムナー・エンベッドダーアーキテクチャを提案する。
このアーキテクチャは、ポータビリティ、ノイズに対するレジリエンス、データの破損に対する堅牢性を示す。
5つのグラフベンチマークにおいて、SDRの性能は実数値密度埋め込みと競合する。
論文 参考訳（メタデータ） (2026-08-12T03:31:39Z) - Generative Diffusion Models of Stochastic Graph Signals [74.4097723209053]
本稿では,条件付きグラフ信号生成モデルの問題に取り組み,単一の拡散フレームワークを用いてそれらに取り組む。
グラフトポロジとノード機能側情報に基づいて直接条件付きグラフ信号を描画するグラフニューラルネットワーク(GNN)によりパラメータ化された逆拡散過程を学習する。
本稿では,株価予測と最適無線リソース割り当てという2つの生成課題について,両領域で広範囲に数値計算を行った。
論文 参考訳（メタデータ） (2026-07-07T22:02:13Z) - Ex-GraphRAG: Interpretable Evidence Routing for Graph-Augmented LLMs [13.05420221505417]
GraphRAGは、知識グラフから取得したサブグラフ上の言語モデルを、メッセージパスGNNを介して符号化する。
我々は、GNNエンコーダをGraph Neural Additive Network (M-GNAN)に置き換えるEx-GraphRAGを紹介する。
STaRK-Primeでは、この監査可能なエンコーダはブラックボックスのパフォーマンスにマッチする。
論文 参考訳（メタデータ） (2026-05-21T04:43:08Z) - Spectral Flow Certificates for Depth-Aware Long-Range Propagation in Graph Neural Networks [0.0]
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。
論文 参考訳（メタデータ） (2026-05-16T19:55:28Z) - Graph-Based Fraud Detection with Dual-Path Graph Filtering [52.459703746017624]
グラフデータの不正検出には、異なるタイプのノードを区別する必要がある。
本稿では,デュアルパスグラフフィルタを用いたグラフベースフラッド検出モデルを提案する。
4つの実世界の金融不正検出データセットの実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2026-04-14T20:46:36Z) - Graph Signal Generative Diffusion Models [74.75869068073577]
拡散過程を用いたグラフ信号生成のためのU字型エンコーダ-デコーダグラフニューラルネットワーク(U-GNN)を提案する。
アーキテクチャは、エンコーダとデコーダパス間の接続をスキップすることで、異なる解像度でノード機能を学ぶ。
株価の確率予測における拡散モデルの有効性を実証する。
論文 参考訳（メタデータ） (2025-09-21T21:57:27Z) - LASE: Learned Adjacency Spectral Embeddings [9.227991604045416]
グラフ入力から結節隣接スペクトル埋め込み(ASE)を学習する。
LASEは解釈可能で、パラメータ効率が高く、未観測のエッジを持つ入力に対して堅牢である。
LASEレイヤは、Graph Convolutional Network (GCN)と完全に接続されたGraph Attention Network (GAT)モジュールを組み合わせる。
論文 参考訳（メタデータ） (2024-12-23T17:35:19Z) - Partitioning Message Passing for Graph Fraud Detection [57.928658584067556]
グラフフラッド検出(GFD)タスクにグラフニューラルネットワーク(GNN)を適用する場合、ラベルの不均衡とホモフィリー・ヘテロフィリー混合が直面する根本的な問題である。
既存のGNNベースのGFDモデルは、GNNのホモフィリーへの帰納バイアスに対応するためにグラフ構造を拡張するように設計されている。
我々の研究では、GFDにGNNを適用する鍵は除外するのではなく、異なるラベルを持つ隣人を区別することにあると論じている。
論文 参考訳（メタデータ） (2024-11-16T11:30:53Z) - Scalable Graph Compressed Convolutions [68.85227170390864]
ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。
グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
論文 参考訳（メタデータ） (2024-07-26T03:14:13Z) - Graph Neural Networks for Enhanced Decoding of Quantum LDPC Codes [6.175503577352742]
量子低密度パリティチェック(LDPC)符号に対する微分可能な反復デコーダを提案する。
提案アルゴリズムは,古典的信念伝達(BP)復号段階と中間グラフニューラルネットワーク(GNN)層から構成される。
論文 参考訳（メタデータ） (2023-10-26T19:56:25Z) - Message Passing in Graph Convolution Networks via Adaptive Filter Banks [81.12823274576274]
我々は BankGCN と呼ばれる新しいグラフ畳み込み演算子を提案する。
グラフ上のマルチチャネル信号をサブスペースに分解し、各サブスペース内の特定の情報を適応フィルタで処理する。
ベンチマークグラフデータセットの集合におけるグラフ分類における優れたパフォーマンスを実現する。
論文 参考訳（メタデータ） (2021-06-18T04:23:34Z)
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。