論文の概要: CoRe-GNN: Multilevel Message passing on Coarsened graphs

• arxiv url: http://arxiv.org/abs/2608.02128v1
• Date: Mon, 03 Aug 2026 12:18:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.525688
• Title: CoRe-GNN: Multilevel Message passing on Coarsened graphs
• Title（参考訳）: CoRe-GNN: 粗いグラフ上のマルチレベルメッセージパッシング
• Authors: Antonin Joly, Nicolas Keriven, Aline Roumy,
• Abstract要約: グラフニューラルネットワークを大きなグラフでトレーニングすることは、層間のノード表現のメモリコストに悩まされる。 既存の拡張性のあるアプローチを,GNN伝搬行列の構造化された修正として記述できることを示す。 特にグラフの粗化は、スペクトル保証を可能にするが、ノードに一様表現を割り当てるローランク近似によって置き換える。
• 参考スコア（独自算出の注目度）: 13.325673513204377
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Training Graph Neural Networks on large graphs is challenged by the memory cost of storing all node representations across layers. We show that several existing scalable approaches can be written as structured modifications of the GNN propagation matrix, providing a unified perspective that exposes their respective limitations. In particular, graph coarsening replaces it by a low-rank approximation that enables spectral guarantees but assigns uniform representations to clustered nodes, while Cluster-GCN restricts the propagation matrix to intra-cluster connections that allow efficient batching but sever long-range information. These are complementary failures of the \emph{same} decomposition of the graph into groups of nodes. To obtain the best of both worlds, we propose \textbf{CoRe-GNN}, which performs both propagations in parallel at each layer: a coarsened inter-cluster term capturing long-range structure, and a local intra-cluster term preserving per-node discriminability. We prove that CoRe-GNN inherits analogous approximation guarantees to those of graph coarsening, and introduce a natural cluster-based \emph{batching scheme} that scales to graphs with millions of nodes. On node classification benchmarks spanning homophilic, heterophilic, large-scale, and long-range graphs, CoRe-GNN outperforms both graph coarsening and Cluster-GCN baselines. Notably, CoRe-GNN reaches competitive accuracy on \emph{long-range} tasks, while remaining memory-efficient through batching.
• Abstract（参考訳）: 巨大なグラフ上のグラフニューラルネットワークのトレーニングは、レイヤ間のすべてのノード表現を格納するメモリコストに課題がある。 既存の拡張的アプローチをGNN伝搬行列の構造的修正として記述し,それぞれの制約を明らかにする統一的な視点を提供する。 特にグラフの粗化は、スペクトル保証を可能にする低ランク近似によって置き換えられるが、クラスタ化されたノードに一様表現を割り当てる。 これらはグラフのノード群への 'emph{same} 分解の相補的失敗である。 両世界の長所を得るため,各層で並列に2つの伝搬を行う「textbf{CoRe-GNN}」を提案する。 我々は,CoRe-GNNがグラフ粗大化に類似した近似保証を継承していることを証明し,数百万のノードを持つグラフにスケールする自然なクラスタベース \emph{batching scheme を導入する。 同好性、異好性、大規模、長距離のグラフにまたがるノード分類ベンチマークでは、CoRe-GNNはグラフ粗大化とCluster-GCNベースラインの両方に優れる。 特に、CoRe-GNNは、バッチ処理によってメモリ効率を保ちながら、 \emph{long-range}タスクの競合精度に達する。

関連論文リスト

• Parallelizing Node-Level Explainability in Graph Neural Networks [0.3262230127283452]
  グラフニューラルネットワーク(GNN)は、幅広いタスクにおいて顕著なパフォーマンスを示している。 ノード分類において、ノードレベルの説明可能性は非常に時間がかかり、グラフのサイズが大きくなる。 本稿では,グラフ分割によるGNNにおけるノードレベルの説明可能性の並列化手法を提案する。
  論文  参考訳（メタデータ） (2026-01-08T10:39:48Z)
• Deep Cut-informed Graph Embedding and Clustering [36.17182061654739]
  我々は,革新的で非GNNベースのDeep Cut-informed Graph Embedding and Clusteringフレームワーク,すなわちDCGCを提案する。 符号化モジュールに対しては,その結合正規化カットを最小化することにより,グラフ構造と属性を融合させる,カットインフォームドグラフ埋め込みの目的を導出する。 クラスタリングモジュールでは,クラスタリングの割り当てを得るために最適な輸送理論を利用する。
  論文  参考訳（メタデータ） (2025-03-09T14:24:09Z)
• 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)
• 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)
• A Variational Edge Partition Model for Supervised Graph Representation Learning [51.30365677476971]
  本稿では,重なり合うノード群間の相互作用を集約することで,観測されたエッジがどのように生成されるかをモデル化するグラフ生成プロセスを提案する。 それぞれのエッジを複数のコミュニティ固有の重み付きエッジの和に分割し、コミュニティ固有のGNNを定義する。 エッジを異なるコミュニティに分割するGNNベースの推論ネットワーク,これらのコミュニティ固有のGNN,およびコミュニティ固有のGNNを最終分類タスクに組み合わせたGNNベースの予測器を共同で学習するために,変分推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-07T14:37:50Z)
• SLGCN: Structure Learning Graph Convolutional Networks for Graphs under Heterophily [5.619890178124606]
  本稿では2つの側面から問題を緩和する構造学習グラフ畳み込みネットワーク(SLGCN)を提案する。 具体的には、全ての類似ノードから特徴表現を効率的に集約するために、アンカーを用いた効率的なスペクトルクラスタリング(ESC-ANCH)を設計する。 幅広いベンチマークデータセットの実験結果は、提案されたSLGCNが、最先端のGNNよりも優れていることを示している。
  論文  参考訳（メタデータ） (2021-05-28T13:00:38Z)

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。