論文の概要: GraphK: Variable-Size Graph Generation with Efficient Edge Construction

• arxiv url: http://arxiv.org/abs/2608.18777v1
• Date: Wed, 19 Aug 2026 10:34:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.376757
• Title: GraphK: Variable-Size Graph Generation with Efficient Edge Construction
• Title（参考訳）: GraphK: エッジ構築の効率的な可変サイズグラフ生成
• Abstract要約: グラフ生成のための新しいエンコーダ-サンプラー-デコーダフレームワークであるGraphKを提案する。 置換不変の潜在表現を学習することにより、グラフのサイズと構造を一般化する。 合成および実世界のデータセットの実験は、GraphKが既存のメソッドより優れていることを示している。
• 参考スコア（独自算出の注目度）: 0.27998963147546135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graph generation models have advanced significantly with deep learning, yet they remain limited in scalability, flexibility, and ability to model underlying structures. We present GraphK, a novel encoder-sampler-decoder framework for graph generation that overcomes these challenges through structural flexibility and computational efficiency. Unlike autoregressive approaches constrained by vocabulary size (i.e. number of nodes in graph generation), GraphK allows for both upscaling (generating graphs with more nodes than the input) and downscaling, providing a flexible control over output graph size. By learning permutation-invariant latent representations and sampling new node embeddings via maximum likelihood estimation, GraphK generalizes across graph sizes and structures. For edge generation, we employ edge prediction with a KDTree-based top-k neighbor search in the latent space, reducing computational cost. Based on the manifold smoothness assumption, our method effectively captures graph properties. Experiments on synthetic and real-world datasets show that GraphK outperforms existing methods, accurately learns graph structures, and generates synthetic graphs without explicit definitions.
• Abstract（参考訳）: グラフ生成モデルはディープラーニングによって大幅に進歩しているが、スケーラビリティ、柔軟性、基盤となる構造をモデル化する能力に制限されている。 本稿では,グラフ生成のための新しいエンコーダ・サンプラー・デコーダフレームワークであるGraphKについて述べる。 語彙サイズ(グラフ生成のノード数など)に制約された自己回帰アプローチとは異なり、GraphKはアップスケーリング(入力よりも多くのノードを持つグラフの生成)とダウンスケーリングの両方を可能にし、出力グラフサイズに対する柔軟な制御を提供する。 置換不変の潜在表現を学習し、最大推定により新しいノード埋め込みをサンプリングすることにより、グラフのサイズと構造を一般化する。 エッジ生成には、KDTreeベースのトップk近傍探索を用いたエッジ予測を用い、計算コストを削減した。 多様体の滑らか性仮定に基づいて,本手法はグラフ特性を効果的に捉える。 合成および実世界のデータセットの実験では、GraphKは既存の手法より優れており、グラフ構造を正確に学習し、明示的な定義なしに合成グラフを生成する。

関連論文リスト

• 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)
• Scale-Free Graph-Language Models [44.283149785253286]
  グラフ言語モデル(GLM)は、グラフに基づく半教師付き学習において大きな可能性を示している。 本稿では,グラフ生成とテキスト埋め込みを統一フレームワークに統合した新しいGLMを提案する。
  論文  参考訳（メタデータ） (2025-02-21T03:41:43Z)
• GraphEdit: Large Language Models for Graph Structure Learning [14.16155596597421]
  グラフ構造学習(GSL)は、グラフ構造データ中のノード間の固有の依存関係と相互作用をキャプチャすることに焦点を当てている。 既存のGSL法は、監督信号として明示的なグラフ構造情報に大きく依存している。 グラフ構造化データの複雑なノード関係を学習するために,大規模言語モデル(LLM)を利用したグラフ編集を提案する。
  論文  参考訳（メタデータ） (2024-02-23T08:29:42Z)
• GraphMaker: Can Diffusion Models Generate Large Attributed Graphs? [7.330479039715941]
  ノード属性を持つ大規模グラフは、様々な現実世界のアプリケーションでますます一般的になっている。 従来のグラフ生成法は、これらの複雑な構造を扱う能力に制限がある。 本稿では,大きな属性グラフを生成するために特別に設計された新しい拡散モデルであるGraphMakerを紹介する。
  論文  参考訳（メタデータ） (2023-10-20T22:12:46Z)
• An Accurate Graph Generative Model with Tunable Features [0.8192907805418583]
  本稿では,グラフ特徴の誤りを返送する機構を新たに追加することで,GraphTuneの精度を向上させる手法を提案する。 実世界のグラフデータセットを用いて実験したところ、生成されたグラフの特徴は従来のモデルと比較して正確に調整されていることがわかった。
  論文  参考訳（メタデータ） (2023-09-03T12:34:15Z)
• Structure-free Graph Condensation: From Large-scale Graphs to Condensed Graph-free Data [91.27527985415007]
  既存のグラフ凝縮法は、凝縮グラフ内のノードと構造の合同最適化に依存している。 我々は、大規模グラフを小さなグラフノード集合に蒸留する、SFGCと呼ばれる新しい構造自由グラフ凝縮パラダイムを提唱する。
  論文  参考訳（メタデータ） (2023-06-05T07:53:52Z)
• Explanation Graph Generation via Pre-trained Language Models: An Empirical Study with Contrastive Learning [84.35102534158621]
  エンドツーエンドで説明グラフを生成する事前学習言語モデルについて検討する。 本稿では,ノードとエッジの編集操作によるグラフ摂動の簡易かつ効果的な方法を提案する。 提案手法は,説明グラフの構造的精度と意味的精度を両立させる。
  論文  参考訳（メタデータ） (2022-04-11T00:58:27Z)
• Learning Graphon Autoencoders for Generative Graph Modeling [91.32624399902755]
  Graphonは任意のサイズでグラフを生成する非パラメトリックモデルであり、グラフから簡単に誘導できる。 解析可能でスケーラブルなグラフ生成モデルを構築するために,textitgraphon autoencoder という新しいフレームワークを提案する。 線形グルーポン分解モデルはデコーダとして機能し、潜在表現を活用して誘導されたグルーポンを再構成する。
  論文  参考訳（メタデータ） (2021-05-29T08:11:40Z)
• Iterative Deep Graph Learning for Graph Neural Networks: Better and Robust Node Embeddings [53.58077686470096]
  グラフ構造とグラフ埋め込みを協調的かつ反復的に学習するための、エンドツーエンドのグラフ学習フレームワーク、すなわち、IDGL(Iterative Deep Graph Learning)を提案する。 実験の結果,提案したIDGLモデルは,最先端のベースラインを一貫して上回る,あるいは一致させることができることがわかった。
  論文  参考訳（メタデータ） (2020-06-21T19:49:15Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Unsupervised Graph Embedding via Adaptive Graph Learning [85.28555417981063]
  グラフオートエンコーダ(GAE)は、グラフ埋め込みのための表現学習において強力なツールである。 本稿では,2つの新しい教師なしグラフ埋め込み法,適応グラフ学習(BAGE)による教師なしグラフ埋め込み,変分適応グラフ学習(VBAGE)による教師なしグラフ埋め込みを提案する。 いくつかのデータセットに関する実験的研究により、我々の手法がノードクラスタリング、ノード分類、グラフ可視化タスクにおいて、ベースラインよりも優れていることが実証された。
  論文  参考訳（メタデータ） (2020-03-10T02:33:14Z)

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。