論文の概要: Neural Message Passing on Structural Interaction Graphs for Fully-Inductive Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2608.08567v1
- Date: Sun, 09 Aug 2026 08:14:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.871188
- Title: Neural Message Passing on Structural Interaction Graphs for Fully-Inductive Graph Neural Networks
- Title（参考訳）: フルインダクティブグラフニューラルネットワークのための構造相互作用グラフ上のニューラルメッセージパッシング
- Authors: Omer Yom Tov, Avigdor Gal,
- Abstract要約: SIGILは任意の属性グラフを固定次元の統一表現空間にマッピングするフレームワークである。
リレーショナルメッセージパッシングネットワークは、各特徴次元を共有空間に埋め込む。
1つのグラフで事前訓練された単一のSIGILモデルは、強い完全帰納的リンク予測を提供する。
- 参考スコア（独自算出の注目度）: 1.49251567571938
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A central obstacle in building graph foundation models is the input heterogeneity in terms of feature space dimensionality, semantics, and structure. Such heterogeneity limits the capability of graph neural networks to generalize to new graphs with unseen feature spaces. We address the transferability challenge with SIGIL, a framework that maps any attributed graph to a unified representation space of fixed dimension. Given a graph, SIGIL lifts it to a structural interaction graph, where nodes are the input feature dimensions and weighted, typed edges encode feature alignment across multiple orders of the graph's connectivity. A relational message-passing network embeds each feature dimension into a shared space, transforming the original node features, of arbitrary dimensionality, into representations transferable to any downstream graph. By construction, SIGIL is equivariant to permutations of nodes, feature dimensions, and labels. Additionally, when the input features are one-hot indicators of discrete relations, SIGIL recovers and strictly generalizes existing foundation models for knowledge graph reasoning. A single SIGIL model, pretrained on one graph, delivers strong fully-inductive link prediction. Also, SIGIL can be used to implement existing knowledge graph foundation models. As such, SIGIL unifies several existing regimes in graph foundation model design under a single framework
- Abstract（参考訳）: グラフ基盤モデル構築における中心的な障害は、特徴空間次元、意味論、構造の観点からの入力不均一性である。
このような不均一性は、見えない特徴空間を持つ新しいグラフに一般化するグラフニューラルネットワークの能力を制限している。
SIGILは任意の属性グラフを固定次元の統一表現空間にマッピングするフレームワークである。
グラフが与えられたら、SIGILはそれを構造的相互作用グラフに持ち上げ、ノードは入力特徴次元であり、重み付けされた型付きエッジは、グラフの接続性の複数の順序をまたいだ特徴アライメントを符号化する。
リレーショナルメッセージパッシングネットワークは、各特徴次元を共有空間に埋め込み、任意の次元の元のノード特徴を任意の下流グラフに転送可能な表現に変換する。
構成上、SIGILはノード、特徴次元、ラベルの置換に同値である。
さらに、入力特徴が離散関係の1ホット指標である場合、SIGILは知識グラフ推論のための既存の基礎モデルを復元し、厳密に一般化する。
1つのグラフで事前訓練された単一のSIGILモデルは、強い完全帰納的リンク予測を提供する。
また、SIGILは既存の知識グラフ基盤モデルの実装にも利用できる。
そのため、SIGILはグラフ基盤モデル設計におけるいくつかの既存のレジームを単一のフレームワークで統一する。
関連論文リスト
- Structure-Centric Graph Foundation Model via Geometric Bases [16.191907209297362]
グラフトポロジを伝達可能な知識の主源とする構造中心グラフ基礎モデル(SCGFM)を提案する。
SCGFMは、共有構造座標系を定義する学習可能な幾何学的基盤を導入している。
グラフおよびノードレベルのタスクの実験では、ドメイン内およびクロスドメインの一般化が強く、既存のGCMアプローチよりも優れていた。
論文 参考訳（メタデータ） (2026-05-09T04:56:21Z) - Generating Large Semi-Synthetic Graphs of Any Size [0.4419843514606336]
グラフ生成はネットワーク科学において重要な領域である。
近年のディープラーニングの進歩により、データ駆動型手法によるグラフの学習と生成が可能になった。
本稿では,遅延グラフサンプリング生成(LGSG)を提案する。
論文 参考訳（メタデータ） (2025-07-02T21:46:28Z) - Improving Graph Neural Networks by Learning Continuous Edge Directions [0.0]
グラフニューラルネットワーク(GNN)は、従来、非指向グラフ上の拡散に似たメッセージパッシング機構を採用している。
私たちのキーとなる洞察は、ファジィエッジ方向をグラフのエッジに割り当てることです。
ファジィエッジを持つグラフを学習するためのフレームワークとして,Continuous Edge Direction (CoED) GNNを提案する。
論文 参考訳（メタデータ） (2024-10-18T01:34:35Z) - Graph Transformer GANs with Graph Masked Modeling for Architectural
Layout Generation [153.92387500677023]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。
提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。
また,グラフ表現学習のための自己指導型事前学習手法を提案する。
論文 参考訳（メタデータ） (2024-01-15T14:36:38Z) - Saliency-Aware Regularized Graph Neural Network [39.82009838086267]
グラフ分類のためのSAR-GNN(Saliency-Aware Regularized Graph Neural Network)を提案する。
まず,コンパクトなグラフ表現とノード特徴とのセマンティックな類似性を測定することで,グローバルノードの正当性を推定する。
そして、学習した塩分濃度分布を利用して、背骨の近傍集合を規則化する。
論文 参考訳（メタデータ） (2024-01-01T13:44:16Z) - 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) - GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。
提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。
第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文 参考訳（メタデータ） (2022-12-01T11:49:07Z) - Graph Spectral Embedding using the Geodesic Betweeness Centrality [76.27138343125985]
本稿では、局所的な類似性、接続性、グローバル構造を教師なしで表現するグラフSylvester Embedding (GSE)を紹介する。
GSEはシルヴェスター方程式の解を用いて、ネットワーク構造と近傍の近接を1つの表現で捉える。
論文 参考訳（メタデータ） (2022-05-07T04:11:23Z) - Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised
Node Classification [59.06717774425588]
本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。
出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。
本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
論文 参考訳（メタデータ） (2021-07-27T19:47:53Z) - Factorizable Graph Convolutional Networks [90.59836684458905]
本稿では,グラフに符号化された相互に絡み合った関係を明示的に解消する新しいグラフ畳み込みネットワーク(GCN)を提案する。
FactorGCNは単純なグラフを入力として取り、それをいくつかの分解グラフに分解する。
提案したFacterGCNは,合成および実世界のデータセットに対して質的かつ定量的に評価する。
論文 参考訳（メタデータ） (2020-10-12T03:01:40Z) - Graph Neural Networks Including Sparse Interpretability [0.0]
本稿では,重要なグラフ構造とノード特徴を解釈するためのモデルに依存しないフレームワークを提案する。
GISSTモデルは、合成データセットにおいて優れたノード特徴とエッジ説明精度を実現する。
論文 参考訳（メタデータ） (2020-06-30T21:35:55Z)
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。