論文の概要: Dynamic Graph Prompting via Topology-Routed Mixed-Curvature Experts

• arxiv url: http://arxiv.org/abs/2608.06031v1
• Date: Thu, 06 Aug 2026 13:37:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 15:25:20.926855
• Title: Dynamic Graph Prompting via Topology-Routed Mixed-Curvature Experts
• Title（参考訳）: トポロジー制御された混合曲率エキスパートによる動的グラフプロンプティング
• Abstract要約: CurvPrompt は、動的グラフのためのトポロジで表現された幾何学的促進フレームワークである。 CurvPromptは,ノード分類タスクにおいて,強い一貫した性能を実現しつつ,数発のリンク予測を大幅に向上させることを示す。
• 参考スコア（独自算出の注目度）: 20.230495791608707
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic graph prompting freezes a pre-trained temporal backbone and adapts it to label-scarce downstream tasks using lightweight prompts. However, existing methods operate within a single, fixed embedding space. In this work, we reveal that temporal shifts in local clustering and degree heterogeneity actively reorganize the edge curvature spectrum---indicating that the optimal representation geometry dynamically evolves with local topology over time. We formalize this unaddressed mismatch as geometry under-adaptation. To overcome this limitation, we propose CurvPrompt, a topology-routed geometry prompting framework for dynamic graphs. Instead of relying on a single space, CurvPrompt maintains a bank of curvature-diverse Riemannian experts, each paired with a learnable prompt. A topology-aware gate dynamically routes each node--time instance to a sparse subset of experts, constructing a personalized mixed-curvature representation. To ensure parameter efficiency and training stability under extreme label scarcity, CurvPrompt employs soft routing during pre-training to build a continuous topology--geometry mapping, and transitions to hard Top-K routing with uniform weights during downstream adaptation. Extensive experiments across four benchmark datasets show that CurvPrompt significantly advances few-shot link prediction while delivering strong, consistent performance on node classification tasks, validating the necessity of geometry-adaptive prompting.
• Abstract（参考訳）: 動的グラフプロンプトは、トレーニング済みの時間バックボーンを凍結し、軽量プロンプトを使用してラベルスカース下流タスクに適応する。 しかし、既存の手法は1つの固定された埋め込み空間内で機能する。 本研究では,局所クラスタリングの時間的変化と等質度がエッジ曲率スペクトルを積極的に再編成することを明らかにする。 我々は、この未適応のミスマッチを幾何学的アンダーアダプテーションとして定式化する。 この制限を克服するために、動的グラフのためのトポロジを省略した幾何促進フレームワークであるCurvPromptを提案する。 1つの空間に頼る代わりに、CurvPromptは曲率の異なるリーマンの専門家の銀行を維持しており、それぞれが学習可能なプロンプトと組み合わせている。 トポロジ対応ゲートは、各ノード時間インスタンスを専門家のスパースサブセットに動的にルーティングし、パーソナライズされた混合曲率表現を構築する。 極度のラベル不足下でのパラメータ効率とトレーニング安定性を確保するため、CurvPromptでは、事前トレーニング中にソフトルーティングを使用して、連続的なトポロジ-ジオメトリーマッピングを構築し、下流適応時に均一な重みを持つハードトップ-Kルーティングに移行する。 4つのベンチマークデータセットにわたる大規模な実験により、CurvPromptは、ノード分類タスクにおいて強力で一貫したパフォーマンスを提供し、幾何適応的なプロンプトの必要性を検証しながら、数ショットのリンク予測を大幅に前進させることを示した。

関連論文リスト

• Geometric Mixture-of-Experts with Curvature-Guided Adaptive Routing for Graph Representation Learning [11.124702719919831]
  マルチスケールなトポロジ構造に適合するGeoMoE(Geometric Mixture-of-Experts framework)を提案する。 具体的には、ノード固有の融合重み付けを割り当てるグラフ対応ゲーティングネットワークを設計し、解釈可能かつ幾何一貫性のあるルーティングを保証する。 6つのベンチマークデータセットの実験では、GeoMoEはさまざまなグラフタイプで最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-03-20T06:09:01Z)
• Riemannian Flow Matching for Disentangled Graph Domain Adaptation [51.98961391065951]
  グラフドメイン適応(GDA)は典型的には、ユークリッド空間におけるグラフ埋め込みの整列に逆学習を使用する。 DisRFMは、埋め込みとフローベースのトランスポートを統一する幾何学的なGDAフレームワークである。
  論文  参考訳（メタデータ） (2026-01-31T11:05:35Z)
• PR-CapsNet: Pseudo-Riemannian Capsule Network with Adaptive Curvature Routing for Graph Learning [20.495094967874184]
  Capsule Networks (CapsNets) は動的ルーティングとベクトル化階層表現による例外的なグラフ表現能力を示すが、固有な測地的不連結性の問題により固定曲率空間に劣る実世界のグラフの複雑なジオメトリをモデル化し、準最適学習をもたらす。 近年の研究では、非ユークリッド擬リーマン多様体はグラフデータを埋め込むための特定の帰納バイアスを与えるが、CapsNetsを改善するためにそれらをどのように活用するかはまだ未定である。 我々はユークリッドカプセルルーティングを測地的に切り離された擬リーマンカプセルネットワーク(PRCapsNet)に拡張し、導出する。
  論文  参考訳（メタデータ） (2025-12-09T03:54:51Z)
• Adaptive Riemannian Graph Neural Networks [29.859977834688625]
  グラフ上の連続および異方性計量テンソル場を学習する新しいフレームワークを導入する。 これにより各ノードがその最適な局所幾何学を決定でき、モデルがグラフの構造的景観に流動的に適応できる。 本手法は, ヘテロ親和性ベンチマークとホモ親和性ベンチマークの双方において, 優れた性能を示す。
  論文  参考訳（メタデータ） (2025-08-04T16:55:02Z)
• Adaptive Sparsified Graph Learning Framework for Vessel Behavior Anomalies [3.3711670942444014]
  グラフニューラルネットワークは、正確なインタラクションを学習するための強力なツールとして登場した。 本稿では,エッジをタイムスタンプノードとしてモデル化した革新的なグラフ表現を提案する。 この設定は、グラフの間隔を保ちながら空間的相互作用をキャプチャするマルチシップグラフを構築するために拡張される。
  論文  参考訳（メタデータ） (2025-02-20T02:01:40Z)
• Efficient Graph Optimization via Distance-Aware Graph Representation Learning [5.216774377033164]
  距離対応マルチホップメッセージパッシングと動的トポロジ改善を統合したグラフ最適化フレームワークである textbfDRTR を提案する。 DRTRは静的前処理と動的再サンプリングの両方を活用して、より深い構造的依存関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-25T05:12:51Z)
• Curve Your Attention: Mixed-Curvature Transformers for Graph Representation Learning [77.1421343649344]
  本稿では,一定曲率空間の積を完全に操作するトランスフォーマーの一般化を提案する。 また、非ユークリッド注意に対するカーネル化されたアプローチを提供し、ノード数とエッジ数に線形に時間とメモリコストでモデルを実行できるようにします。
  論文  参考訳（メタデータ） (2023-09-08T02:44:37Z)
• Deep Temporal Graph Clustering [77.02070768950145]
  深部時間グラフクラスタリング(GC)のための汎用フレームワークを提案する。 GCは、時間グラフの相互作用シーケンスに基づくバッチ処理パターンに適合するディープクラスタリング技術を導入している。 我々のフレームワークは、既存の時間グラフ学習手法の性能を効果的に向上させることができる。
  論文  参考訳（メタデータ） (2023-05-18T06:17:50Z)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• kHGCN: Tree-likeness Modeling via Continuous and Discrete Curvature Learning [39.25873010585029]
  本研究では,学習過程においてネットワークトポロジが伝達するメッセージを符号化することを目的として,離散構造と連続学習空間の曲率を探索する。 曲率を考慮したハイパーボリックグラフ畳み込みニューラルネットワークであるKappaHGCNを提案する。
  論文  参考訳（メタデータ） (2022-12-04T10:45:42Z)
• Temporally-Consistent Surface Reconstruction using Metrically-Consistent Atlases [131.50372468579067]
  そこで本稿では,時間変化点雲列から時間一貫性のある面列を復元する手法を提案する。 我々は、再構成された表面をニューラルネットワークによって計算されたアトラスとして表現し、フレーム間の対応性を確立することができる。 当社のアプローチは、いくつかの挑戦的なデータセットにおいて、最先端のものよりも優れています。
  論文  参考訳（メタデータ） (2021-11-12T17:48:25Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• Structural Temporal Graph Neural Networks for Anomaly Detection in Dynamic Graphs [54.13919050090926]
  本稿では,動的グラフの異常エッジを検出するために,エンドツーエンドの時間構造グラフニューラルネットワークモデルを提案する。 特に,まずターゲットエッジを中心にした$h$ホップ囲むサブグラフを抽出し,各ノードの役割を識別するノードラベル機能を提案する。 抽出した特徴に基づき,GRU(Gated Recurrent Unit)を用いて,異常検出のための時間的情報を取得する。
  論文  参考訳（メタデータ） (2020-05-15T09:17:08Z)

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。