論文の概要: Why Multi-Layer Message Passing Works: Completeness Theory for Graph Neural Network Interatomic Potentials

• arxiv url: http://arxiv.org/abs/2609.00528v1
• Date: Tue, 01 Sep 2026 00:53:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.180034
• Title: Why Multi-Layer Message Passing Works: Completeness Theory for Graph Neural Network Interatomic Potentials
• Title（参考訳）: 多層メッセージパッシングが機能する理由:グラフニューラルネットワークの原子間ポテンシャルの完全性理論
• Authors: Pingbing Ming, Han Wang,
• Abstract要約: 我々は,3体メッセージパッシングを持つ不変アーキテクチャであるハイパーグラフニューラルネットワークが,ポテンシャルエネルギー面の普遍近似器であることを証明した。 スパースでカットオフベースのグラフ上でのメッセージパッシングの$L$層は、フルの$L$ホップ地区にアクセスできるのと同じ表現力を発揮することを示す。
• 参考スコア（独自算出の注目度）: 2.0739359541177795
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We prove that the Hypergraph Neural Network, an invariant architecture with 3-body message passing, is a universal approximator for potential energy surfaces. Our main contribution is a multi-layer completeness theory. We show that $L$ layers of message passing on sparse, cutoff-based graphs achieve the same representational power as having access to the full $L$-hop neighborhood, provided the configurations are generic, satisfy an overlap condition and a connectivity condition. This provides the first rigorous justification for the common practice of using multi-layer message passing with a per-layer cutoff smaller than the physical interaction range, the setting used by virtually all practical graph neural network based machine-learned interatomic potentials. As immediate consequences, we show that both DPA3 and CHGNet architectures inherit universal approximation.
• Abstract（参考訳）: 我々は,3体メッセージパッシングを持つ不変アーキテクチャであるハイパーグラフニューラルネットワークが,ポテンシャルエネルギー面の普遍近似器であることを証明した。 私たちの主な貢献は多層完全性理論である。 疎結合なカットオフグラフ上でのメッセージパッシングの$L$層は、構成が汎用的で重なり合う条件と接続条件を満たす場合、フル$L$ホップ近傍へのアクセスと同じ表現力が得られることを示す。 これは、物理的相互作用範囲よりも小さい層ごとのカットオフで多層メッセージパッシングを使用する一般的な実践において、最初の厳密な正当化を提供する。 その結果,DPA3アーキテクチャとCHGNetアーキテクチャの両方が普遍近似を継承していることが判明した。

関連論文リスト

• A Graph Sufficiency Perspective for Neural Networks [4.872570541276082]
  本稿では,グラフ変数と統計的十分性を用いてニューラルネットワークを解析する。 ニューラルネットワーク層をグラフベースの変換として解釈し、ニューロンが入力と学習アンカーポイントのペア機能として機能する。 我々のフレームワークは、完全に接続された層、一般的なペアワイズ関数、ReLUとシグモノイドの活性化、畳み込みニューラルネットワークを網羅している。
  論文  参考訳（メタデータ） (2025-07-14T12:31:47Z)
• On the Expressive Power of Sparse Geometric MPNNs [3.396731589928944]
  幾何学グラフに対するメッセージパッシングニューラルネットワークの表現力について検討する。 非同型幾何グラフの一般的なペアは、メッセージパッシングネットワークによって分離可能であることを示す。 理論的保証を達成し,代替アーキテクチャと良好に比較可能な,シンプルなアーキテクチャであるEGENNETを導入する。
  論文  参考訳（メタデータ） (2024-07-02T07:48:22Z)
• From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
  パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。 次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。 提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
  論文  参考訳（メタデータ） (2023-06-16T04:40:59Z)
• Breaking the Limits of Message Passing Graph Neural Networks [6.175401630947573]
  グラフニューラルネットワーク(MPNN)は、スパースグラフに適用する場合のノード数に関して線形複雑である。 本稿では, 固有値の非線形なカスタム関数により, グラフ畳み込みサポートがスペクトル領域で設計されている場合, MPNNは1-WLテストよりも理論的に強力であることを示す。
  論文  参考訳（メタデータ） (2021-06-08T13:26:56Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)
• Distance Encoding: Design Provably More Powerful Neural Networks for Graph Representation Learning [63.97983530843762]
  グラフニューラルネットワーク(GNN)はグラフ表現学習において大きな成功を収めている。 GNNは、実際には非常に異なるグラフ部分構造に対して同一の表現を生成する。 より強力なGNNは、最近高階試験を模倣して提案され、基礎となるグラフ構造を疎結合にできないため、非効率である。 本稿では,グラフ表現学習の新たなクラスとして距離分解(DE)を提案する。
  論文  参考訳（メタデータ） (2020-08-31T23:15:40Z)
• Representative Graph Neural Network [113.67254049938629]
  いくつかの代表的特徴を動的にサンプリングするために、代表グラフ層を提示する。 すべての位置からメッセージを伝搬する代わりに、RepGraphレイヤは1つのノードの応答を数個の代表ノードで計算します。
  論文  参考訳（メタデータ） (2020-08-12T09:46:52Z)
• Improving Graph Neural Network Expressivity via Subgraph Isomorphism Counting [63.04999833264299]
  グラフサブストラクチャネットワーク(GSN)は,サブストラクチャエンコーディングに基づくトポロジ的に認識可能なメッセージパッシング方式である。 Wesfeiler-Leman (WL) グラフ同型テストよりも厳密に表現可能であることを示す。 グラフ分類と回帰タスクについて広範囲に評価を行い、様々な実世界の環境において最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-06-16T15:30:31Z)

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。