論文の概要: Look Before You Lift: Visual and Quantitative Diagnostics for Topological Deep Learning

• arxiv url: http://arxiv.org/abs/2608.15388v1
• Date: Sat, 15 Aug 2026 19:38:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.283091
• Title: Look Before You Lift: Visual and Quantitative Diagnostics for Topological Deep Learning
• Title（参考訳）: トポロジカル深層学習のための視覚的および定量的診断
• Abstract要約: TopoExplorerは、探索データ分析のために、トポロジカルデータセットの厳密に拡張されたHasseグラフ形式を使用する。 これらの指標のいくつかは、下流モデルの性能と相関しており、TDL前処理の設計を知らせるのに役立つことを示唆している。 私たちの視点では、リフト・トレインからリフト・ルック・デザイン・トレインへとTDLワークフローを再構築し、より原理的で、解釈可能で、効率的なモデル開発を可能にします。
• 参考スコア（独自算出の注目度）: 5.8891473046968486
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Topological deep learning (TDL) methods rely on lifting raw data into higher-order discrete domains such as simplicial complexes, cell complexes, and hypergraphs. In practice, this lifting step is often treated as a black box: practitioners select a lifting and then tune architectures, with limited visibility into whether the induced higher-order connectivity is meaningful for the downstream task. To address this missing diagnostic layer, we propose a visualization technique called TopoExplorer that leverages the strictly augmented Hasse graph form of topological datasets for exploratory data analysis. For the first time, practitioners can easily visualize the incidence- and adjacency-based neighborhoods that define the lifted dataset, as well as read off key graph metrics that describe its structural and feature landscape. Via an extensive set of experiments across many datasets and liftings, we show that several of these metrics correlate with downstream model performance, suggesting they can help inform TDL preprocessing design. Our perspective reframes the TDL workflow from lift-train to lift-look-design-train, enabling more principled, interpretable, and efficient model development. TopoExplorer is hosted at https://topoexplorer.pagekite.me, and its source code is available at github.com/geometric-intelligence/topoexplorer.
• Abstract（参考訳）: トポロジカルディープラーニング(TDL)法は、単純錯体、細胞複合体、ハイパーグラフのような高次離散領域に生データを持ち上げることに依存する。 実際には、このリフトングステップはブラックボックスとして扱われる: 実践者はリフトングを選択してアーキテクチャをチューニングする。 そこで本研究では,トポロジカルデータ解析のために,厳密に拡張されたHasseグラフ形式を利用したTopoExplorerという可視化手法を提案する。 初めて実践者は、持ち上げられたデータセットを定義するインシデントとアジャカシベースの地区を簡単に可視化し、その構造と特徴を記述した主要なグラフメトリクスを読み取ることができる。 多くのデータセットやリフティングにまたがる広範な実験により、これらの指標のいくつかが下流モデルのパフォーマンスと相関していることが示され、TDL前処理設計の通知に役立つことが示唆された。 私たちの視点では、リフト・トレインからリフト・ルック・デザイン・トレインへとTDLワークフローを再構築し、より原理的で、解釈可能で、効率的なモデル開発を可能にします。 TopoExplorerはhttps://topoexplorer.pagekite.meでホストされており、ソースコードはgithub.com/geometric-intelligence/topoexplorerで公開されている。

関連論文リスト

• Differentiable Lifting for Topological Neural Networks [49.208571794040374]
  トポロジカルニューラルネットワーク(TNN)は、グラフ上の高次構造を活用する。 DiffLiftはグラフリフトをハイパーグラフやセル・シンプリケーション・コンプレックスに学習するためのフレームワークである。 当社のアプローチでは、接続性や機能ベースのものを含め、静的リフトよりも最大45%向上しています。
  論文  参考訳（メタデータ） (2026-08-02T11:30:09Z)
• AdaSTORM: Scaling LLM Reasoning on Dynamic Graphs via Adaptive Spatio-Temporal Multi-Agent Collaboration [17.873099309973657]
  本稿では,AdaSTORM(Adaptive Spatio-Temporal MultiAgent-Temporal Collaboration)による動的グラフのスケーリング推論について述べる。 AdaSTORMは、動的グラフ推論に適した最初のマルチエージェントフレームワークである。 既存のベンチマークで最先端の精度を実現し、実世界のデータセットに堅牢に一般化する。
  論文  参考訳（メタデータ） (2026-06-15T07:32:44Z)
• Learning Subspace-Preserving Sparse Attention Graphs from Heterogeneous Multiview Data [23.128540151031846]
  ヘテロジニアスなマルチビューデータからサブスペース保存されたスパースアテンショングラフを学習するスパースアテンショングラフ学習(SAGL)法を提案する。 SAGLは、最先端の教師なしトランスファー学習アプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-05-12T09:56:28Z)
• Have Graph -- Will Lift? The Case for Higher-Order Benchmarks [19.567562070486098]
  メッセージパッシングはグラフ上でも高次複素数上でも、幾何学的深層学習の主要な要因の1つである。 モデルの検証可能な多様性は、適切なベンチマークデータセットの不足とは対照的である。 私はコミュニティに新たなデータセットのソースを奨励したいと思っています。
  論文  参考訳（メタデータ） (2026-05-08T07:53:42Z)
• Tracing the Roots: A Multi-Agent Framework for Uncovering Data Lineage in Post-Training LLMs [81.43302841109349]
  学習後のデータは、大規模言語モデル(LLM)の機能を形成する上で重要な役割を果たす 本稿では,データセット開発における進化グラフを再構築する自動マルチエージェントフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-12T06:24:07Z)
• STAR: Semantic-Tuned and Tail-Adaptive Retriever for Graph-Augmented Generation [69.66045538889777]
  本稿では,GraphRAGのためのセマンティックチューニングとテール適応型レトリバーSTARを提案する。 STARは一貫してベースラインを上回り、平均検索性能は1.8%向上した。
  論文  参考訳（メタデータ） (2026-04-11T10:16:51Z)
• PlotCraft: Pushing the Limits of LLMs for Complex and Interactive Data Visualization [82.96200364977737]
  PlotCraftは、1kの挑戦的な視覚化タスクを特徴とする新しいベンチマークだ。 PlotCraftは7つのハイレベルな視覚化タスクを中心に構成されており、48の異なるチャートタイプを含んでいる。 単一ターン生成と多ターン改善の両方を多種多様なタスク複雑度にわたって体系的に評価するのは、これが初めてである。
  論文  参考訳（メタデータ） (2025-10-15T10:14:39Z)
• GRIL: Knowledge Graph Retrieval-Integrated Learning with Large Language Models [59.72897499248909]
  本稿では,Large Language Models (LLM) を用いたエンドツーエンド学習のための新しいグラフ検索手法を提案する。 抽出したサブグラフでは, 構造的知識と意味的特徴をそれぞれ軟式トークンと言語化グラフで符号化し, LLMに注入する。 提案手法は、複雑な推論タスクに対する結合グラフ-LLM最適化の強みを検証し、最先端の性能を一貫して達成する。
  論文  参考訳（メタデータ） (2025-09-20T02:38:00Z)
• Hypergraph Foundation Model [31.16656352968761]
  ハイパーグラフニューラルネットワーク(HGNN)は、タンパク質相互作用やソーシャルネットワークのようなドメインにおける複雑な高次関係を効果的にモデル化する。 マルチドメイン知識抽出のためのハイパーグラフ基礎モデルHyper-FMを提案する。 また、HGNNとLLMの間の研究を進めるために、10のテキスト分散ハイパーグラフデータセットをキュレートする。
  論文  参考訳（メタデータ） (2025-03-03T05:56:08Z)
• Learning Topological Representations with Bidirectional Graph Attention Network for Solving Job Shop Scheduling Problem [27.904195034688257]
  既存の学習に基づくジョブショップスケジューリング問題の解法(JSSP)は、通常、非方向性グラフに適した既製のGNNモデルを使用し、解離グラフ(DG)のリッチで有意義な位相構造を無視する。 本稿では,JSSP を解決するための DG を局所検索フレームワークに組み込むためのトポロジ対応双方向グラフアテンションネットワーク (TBGAT) を提案する。
  論文  参考訳（メタデータ） (2024-02-27T15:33:20Z)
• Bag of Tricks for Training Deeper Graph Neural Networks: A Comprehensive Benchmark Study [100.27567794045045]
  ディープグラフニューラルネットワーク(GNN)のトレーニングは、非常に難しい。 我々は、深層GNNの「トリック」を評価するための最初の公正かつ再現可能なベンチマークを示す。
  論文  参考訳（メタデータ） (2021-08-24T05:00:37Z)

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。