論文の概要: Converse and Collision-Based Achievability for Node Localization with Hybrid Distance-Spectral Graph Positional Encodings
- arxiv url: http://arxiv.org/abs/2608.30152v1
- Date: Mon, 31 Aug 2026 02:08:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.198212
- Title: Converse and Collision-Based Achievability for Node Localization with Hybrid Distance-Spectral Graph Positional Encodings
- Title（参考訳）: ハイブリッド距離スペクトルグラフ位置符号化によるノード局所化のための逆および衝突に基づく達成性
- Abstract要約: 本研究では、アンカー距離プロファイルと量子化低周波ラプラシアエネルギー座標を組み合わせたハイブリッド距離スペクトル符号化法を提案する。
エンコーディングを観測マップとして扱うと、単純なx-refined Converseが得られる。
実験により、ハイブリッドエンコーディングは距離のみのベースラインやスペクトルのみのベースラインよりも構文木幾何を回復することが示されている。
- 参考スコア（独自算出の注目度）: 14.222038987314649
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph positional encodings are widely used in graph neural networks and graph Transformers, yet it remains unclear when the code itself can identify nodes. We study a hybrid distance-spectral encoding that combines anchor-distance profiles with quantized low-frequency Laplacian-energy coordinates. Treating the encoding as an observation map yields a simplex-refined converse, an exact collision factorization \(κ_H=κ_Dκ_{S|D}\), and the collision information \(I_H=-\logκ_D-\logκ_{S|D}\). On random regular graphs, the criterion is made explicit through a bounded-correlation Gaussian-wave surrogate; for actual Laplacian-energy coordinates, we give the distance-conditioned spectral collision condition sufficient for conditional actual-coordinate achievability. Experiments show that \(I_H/\log n\) calibrates localization success, and PE-only structural task probes on Universal Dependencies trees show that hybrid encodings better recover syntactic-tree geometry than distance-only or spectral-only baselines.
- Abstract（参考訳）: グラフ位置エンコーディングはグラフニューラルネットワークやグラフトランスフォーマーで広く使われているが、コード自体がノードを特定できるかどうかは不明だ。
本研究では、アンカー距離プロファイルと量子化低周波ラプラシアエネルギー座標を組み合わせたハイブリッド距離スペクトル符号化法を提案する。
エンコーディングを観測マップとして扱うと、単純なx精製された逆、正確な衝突分解(κ_H=κ_Dκ_{S|D}\)、衝突情報(I_H=-\logκ_D-\logκ_{S|D}\)が得られる。
ランダムな正則グラフ上では、この基準は有界相関ガウス波サロゲートによって明示され、実際のラプラシアエネルギー座標に対しては、条件付き実座標の達成に十分な距離条件のスペクトル衝突条件を与える。
実験により、(I_H/\log n\) は局所化の成功を校正し、PEのみの構造的タスクプローブは、ハイブリッドエンコーディングが距離のみのベースラインやスペクトルのみのベースラインよりも、構文木形状を回復することが示されている。
関連論文リスト
- GLASS: Graph-Language Alignment with Spherical Scoring for Transferable Graph-Level Anomaly Detection [37.05370485421858]
GLASSは構造対応のグラフエンコーダと命令対応のテキスト埋め込みを連携させて統一表現空間を構築する。
我々のフレームワークは、ローカル、グローバル、セマンティックグラフプロパティをコンパクトなGraph Descriptor Prompt(GraphDP)にシリアライズする。
スコアリングでは、アライメントされた超球面上の密度推定として異常検出を定式化する。
論文 参考訳（メタデータ） (2026-09-04T15:16:16Z) - Tropical Algebraic Geometry for Neuronal Representations: An Arakelov-Green Measure Based Descriptor for Graph Learning [14.563432689352084]
本稿では,熱帯代数幾何学に基づくトレーニング不要な幾何学的事前手法を提案する。
空間木を熱帯ヤコビアンへの埋め込みに適した巡回計量グラフに変換する。
離散的なアラケロフ・グリーン測度は、グラフラプラシアンの一般化された逆数を通して閉じた形で計算され、この被覆上の不定分極距離を除いた固有経路計量に正確に分解されることを示す。
論文 参考訳（メタデータ） (2026-08-05T05:34:50Z) - Scalable Graph Coreset Selection via Greedy Sampling [48.91894218306487]
最小内部積グリーディ選択規則に基づく,単純かつ効率的なカラム選択グラフサンプリングアルゴリズムを提案する。
ブロックモデルに基づいてアルゴリズムを解析し,次数分布がノード間で均衡している場合,クラスタサイズに対する比例サンプリングを実現する。
論文 参考訳（メタデータ） (2026-07-30T02:45:31Z) - Bridging Distance and Spectral Positional Encodings via Anchor-Based Diffusion Geometry Approximation [7.270459013324939]
広く使われている2つのファミリーは、ラプラシアンまたは拡散演算子に由来するスペクトル符号化と、最短パス情報から構築されたアンカーベース距離符号化である。
我々は, 乱れた拡散座標を変換されたアンカー距離とアンカースペクトル位置から再構成する明示的な3次写像を導出した。
共有GNPベースのDDI予測バックボーンを用いたDarmBank分子グラフでは、距離駆動Nystrmスキームが拡散幾何学を密接に回復する。
論文 参考訳（メタデータ） (2026-01-08T02:31:03Z) - Resolving Node Identifiability in Graph Neural Processes via Laplacian Spectral Encodings [9.343292907600913]
固有ベクトル符号のフリップや固有空間内の回転の基底に不変なラプラシアン位置符号化の理論を提供する。
この符号化により、一定数の観測からノード識別性が得られ、Weisfeiler-Lehmanテストで制約されたアーキテクチャからサンプル複雑度を分離することが証明される。
論文 参考訳（メタデータ） (2025-11-24T12:20:36Z) - A Spectral Interpretation of Redundancy in a Graph Reservoir [51.40366905583043]
この研究はMRGNN(Multi resolution Reservoir Graph Neural Network)における貯留層の定義を再考する。
コンピュータグラフィックスにおける表面設計の分野で最初に導入されたフェアリングアルゴリズムに基づく変種を提案する。
この論文の中核的な貢献は、ランダムウォークの観点からのアルゴリズムの理論解析にある。
論文 参考訳（メタデータ） (2025-07-17T10:02:57Z) - Scalable Graph Compressed Convolutions [68.85227170390864]
ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。
グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
論文 参考訳（メタデータ） (2024-07-26T03:14:13Z) - ADA-GAD: Anomaly-Denoised Autoencoders for Graph Anomaly Detection [84.0718034981805]
我々はAnomaly-Denoized Autoencoders for Graph Anomaly Detection (ADA-GAD)という新しいフレームワークを導入する。
第1段階では,異常レベルを低減したグラフを生成する学習自由な異常化拡張法を設計する。
次の段階では、デコーダは元のグラフで検出するために再訓練される。
論文 参考訳（メタデータ） (2023-12-22T09:02:01Z) - Recurrent Distance Filtering for Graph Representation Learning [34.761926988427284]
反復的なワンホップメッセージパッシングに基づくグラフニューラルネットワークは、遠方のノードからの情報を効果的に活用するのに苦労していることが示されている。
これらの課題を解決するための新しいアーキテクチャを提案する。
我々のモデルは、ターゲットへの最短距離で他のノードを集約し、線形RNNを用いてホップ表現のシーケンスを符号化する。
論文 参考訳（メタデータ） (2023-12-03T23:36:16Z) - SIGMA: A Structural Inconsistency Reducing Graph Matching Algorithm [21.1095092767297]
グラフマッチングの精度、構造的不整合(SI)を測定するための新しい基準を提案する。
具体的には、SIは、グラフのマルチホップ構造に対応するために熱拡散ウェーブレットを組み込む。
ミラー降下法を用いて,新しいK-ホップ構造に基づくマッチングコストでGromov-Wasserstein距離を解くことにより,SIGMAを導出可能であることを示す。
論文 参考訳（メタデータ） (2022-02-06T15:18:37Z) - Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。
単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
論文 参考訳（メタデータ） (2021-10-28T14:59:41Z) - Spectral-Spatial Global Graph Reasoning for Hyperspectral Image
Classification [50.899576891296235]
畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。
近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
論文 参考訳（メタデータ） (2021-06-26T06:24:51Z)
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。