論文の概要: HOPPER: Learnable Hop Extraction for Linearized Graph Sequence Models
- arxiv url: http://arxiv.org/abs/2608.09031v1
- Date: Mon, 10 Aug 2026 02:31:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.042338
- Title: HOPPER: Learnable Hop Extraction for Linearized Graph Sequence Models
- Title（参考訳）: HOPPER:線形グラフ列モデルの学習可能なホップ抽出
- Abstract要約: 本稿では,線形化グラフシーケンスモデルのエンドツーエンド学習可能な拡張であるHOPPERを紹介する。
HOPPERは、ホップシーケンスが現代的な状態空間モデルによって処理される前にどのように抽出されるべきかを学ぶ。
我々は,HOPPERがECHO-Synthベンチマークにおいて最先端あるいは競争的であることを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph neural networks typically propagate information through repeated message-passing layers, coupling the distance over which information travels with the number of nonlinear transformations applied. This coupling can make deep architectures difficult to optimize and can lead to over-smoothing, over-squashing, and the loss of long-range information. Linearized Graph Sequence Models (LGSMs) address this issue by separating information depth from processing depth and treating the successive propagation states of each node as a sequence. However, existing LGSMs construct these sequences using fixed graph operators, limiting their ability to adapt propagation to the input graph, node features, and downstream task. We introduce HOPPER, an end-to-end learnable extension of LGSM that learns how hop sequences should be extracted before they are processed by a modern state-space model. Our framework supports feature-conditioned, structure-aware, graph- and hop-adaptive propagation mechanisms while preserving permutation equivariance. Standard adjacency-based and non-backtracking LGSM sequences arise as special cases of our proposed extractor family. We show that HOPPER is state-of-the-art or competitive across the ECHO-Synth benchmark, and that varying the maximum neighborhood size of message backtracking cancellation (i.e. structural memory window) can optimize accuracy on the LRIM physics-based long-range dependency benchmark. These results demonstrate that learnable sequence extraction provides a flexible and effective approach to long-range graph representation learning.
- Abstract（参考訳）: グラフニューラルネットワークは通常、繰り返しメッセージパッシング層を通じて情報を伝播し、情報が移動する距離と適用される非線形変換の数とを結合する。
この結合により、ディープアーキテクチャの最適化が難しくなり、過密化、過密化、長距離情報の喪失につながる可能性がある。
線形化グラフシーケンスモデル(LGSM)は、情報深度と処理深度を分離し、各ノードの逐次伝播状態をシーケンスとして扱うことでこの問題に対処する。
しかし、既存のLGSMは、固定グラフ演算子を使用してこれらのシーケンスを構築し、入力グラフ、ノード特徴、下流タスクへの伝搬を適応する能力を制限する。
本稿では,最新の状態空間モデルによって処理される前に,ホップシーケンスをどのように抽出すべきかを学習する,LGSMのエンドツーエンドで学習可能な拡張であるHOPPERを紹介する。
我々のフレームワークは、置換等式を保ちながら、特徴条件付き、構造対応、グラフ対応およびホップ適応の伝播機構をサポートしている。
提案する抽出器ファミリーの特殊な事例として,標準隣接型および非バックトラック型LGSM配列が出現する。
我々は,HOPPERがECHO-Synthベンチマークにおいて最先端あるいは競争的であることを示すとともに,LRIM物理に基づく長距離依存ベンチマークにおいて,メッセージバックトラックキャンセル(構造記憶ウィンドウ)の最大近傍サイズを最適化できることを示す。
これらの結果は、学習可能なシーケンス抽出が、長距離グラフ表現学習に柔軟かつ効果的なアプローチを提供することを示している。
関連論文リスト
- 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) - Semi-supervised Instruction Tuning for Large Language Models on Text-Attributed Graphs [62.544129365882014]
本稿では,SIT-Graph というグラフ学習用セミ教師付きインストラクションチューニングパイプラインを提案する。
SIT-Graphはモデルに依存しず、LSMを予測子として利用するグラフ命令チューニングメソッドにシームレスに統合することができる。
SIT-Graphは、最先端グラフチューニング手法に組み込むと、テキスト分散グラフベンチマークの性能を大幅に向上することを示した。
論文 参考訳（メタデータ） (2026-01-19T08:10:53Z) - From Mice to Trains: Amortized Bayesian Inference on Graph Data [2.809401516758154]
グラフ構造化データに対する推論には、置換不変で、さまざまなサイズや空間にわたってスケーラブルで、複雑な長距離依存関係をキャプチャできるメソッドが必要である。
ABIは、高速で可能性のない後部推論を可能にするために生成ニューラルネットワークを使用するシミュレーションベースのフレームワークである。
論文 参考訳（メタデータ） (2026-01-05T16:16:28Z) - Scalable Graph Generative Modeling via Substructure Sequences [50.32639806800683]
本稿では,グラフ生成用トランスフォーマー事前学習フレームワークである生成グラフパターンマシン(G$2$PM)を紹介する。
G$2$PMはグラフインスタンス(ノード、エッジ、グラフ全体)をサブ構造のシーケンスとして表現する。
それは、一般化可能かつ伝達可能な表現を学ぶために、シーケンスに関する生成的事前学習を採用する。
論文 参考訳（メタデータ） (2025-05-22T02:16:34Z) - Lightweight yet Efficient: An External Attentive Graph Convolutional Network with Positional Prompts for Sequential Recommendation [8.49353541052153]
本稿では,逐次的推薦,すなわちEA-GPSのための位置推定プロンプトを備えた外部注意グラフ畳み込みネットワークを提案する。
提案したEA-GPSは最先端の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2025-02-21T09:34:31Z) - Beyond Message Passing: Neural Graph Pattern Machine [50.78679002846741]
本稿では,グラフサブストラクチャから直接学習することで,メッセージパッシングをバイパスする新しいフレームワークであるNeural Graph Pattern Machine(GPM)を紹介する。
GPMはタスク関連グラフパターンを効率的に抽出し、エンコードし、優先順位付けする。
論文 参考訳（メタデータ） (2025-01-30T20:37:47Z) - 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) - Range-aware Positional Encoding via High-order Pretraining: Theory and Practice [14.521929085104441]
大量のグラフデータに対する教師なし事前トレーニングは、ラベル付きデータが制限された実世界のアプリケーションでは不可欠である。
本稿では,多解像度構造情報をモデル化することに焦点を当てたグラフの事前学習戦略を提案する。
このアプローチはグラフ構造にのみ依存するが、ドメインに依存しず、さまざまなドメインのデータセットに適応可能である。
論文 参考訳（メタデータ） (2024-09-27T19:53:10Z) - A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。
我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。
GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
論文 参考訳（メタデータ） (2024-06-19T22:30:08Z) - Long Range Graph Benchmark [32.317725340138104]
単にワンホップメッセージパッシングに頼るMP-GNNは、既存のグラフベンチマークでよく使われる。
ベースラインのGNNとGraph Transformerネットワークの両方をベンチマークし、長距離依存をキャプチャするモデルがこれらのタスクにおいて著しく優れていることを検証した。
論文 参考訳（メタデータ） (2022-06-16T13:33:22Z) - Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph
Wavelets [81.63035727821145]
スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。
本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
論文 参考訳（メタデータ） (2021-08-03T17:57:53Z)
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。