論文の概要: Omega-N: Interpretable Structural Node Descriptors and Their Applicability Domain

• arxiv url: http://arxiv.org/abs/2609.01633v1
• Date: Fri, 21 Aug 2026 16:16:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-06 19:38:41.48229
• Title: Omega-N: Interpretable Structural Node Descriptors and Their Applicability Domain
• Title（参考訳）: Omega-N: 解釈可能な構造ノード記述子とその適用性ドメイン
• Abstract要約: 複合構造指数は、ネットワークを1つの数で要約する。 この指数族の理論論文の回顧録は、世界中心性はそれらを破るよりも、鋭いベースラインを結びつけるべきだと述べている。 4つの因子のそれぞれをローカライズすることで、Omega-Nを構築する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: A composite structural index summarises a network in one number; for a triangle-based index it is spectrally redundant: Tr(A^3) is the third moment of the adjacency spectrum. The non-redundant content sits one level down, in diag(A^3), which depends on eigenvectors and is not spectrally determined. A corollary in the theory paper for this index family stated that, and predicted: the global scalar should tie sharpened spectral baselines rather than beat them, while the node-wise attribution should do better where the number of structural epicentres is unknown. This paper tests it. We construct Omega-N by localizing each of the four factors. The direct localization is badly conditioned; two corrections from published practice fix it, a configuration-null excess for every local factor and a personalized-PageRank neighbourhood at several scales, giving ten interpretable features per node from the graph alone, with no attributes, training or embeddings. Against a recursive feature engine at five levels of recursion, Omega-N wins on one and ties on four of six in-domain node-classification evaluations, with ten features against up to 252. Two statistics computed from the graph and labels, not from performance, partition the eight benchmarks without error, and the two they exclude are the two it loses. The strongest application is drug-target prioritisation on protein interaction networks: +0.073 to +0.144 AUPRC over a centrality battery across four constructions, replicated on an independent AP-MS network and label source, surviving three bias controls (degree-matched, ten repetitions: +0.1047 and +0.1030, both 10/10, p=0.00195). The clearest negative sits in the same application: adding Omega-N to centralities plus Node2Vec changes nothing (+0.0014, p=0.31). The claim is narrow: ten interpretable features
• Abstract（参考訳）: 合成構造指数は1つの数でネットワークを要約し、三角形に基づく指数はスペクトル的に冗長である: Tr(A^3) は隣接スペクトルの第3モーメントである。 非冗長な内容は、固有ベクトルに依存し、スペクトル的に決定されないダイアグ(A^3)において、一階下に位置する。 この指数族の理論論文の序列は、大域スカラーは、それらを打ち負かせず、鋭いスペクトルベースラインを結び付けるべきであり、一方、ノードワイドの属性は、構造的エピセントリーの数が未知の場所でより良くなるべきである、と述べている。 この論文はそれをテストします。 4つの因子のそれぞれをローカライズすることで、Omega-Nを構築する。 発行されたプラクティスの2つの修正、各ローカルファクタのコンフィギュレーション-null過剰、パーソナライズ-PageRank地区を複数のスケールで修正し、属性やトレーニング、埋め込みを伴わず、グラフからノード毎に10の解釈可能な機能を提供します。 5レベルの再帰的な機能エンジンに対して、Omega-Nは6つのドメイン内のノード分類評価のうち1つと2つで勝っている。 グラフとラベルから計算された2つの統計は、パフォーマンスではなく、エラーなしに8つのベンチマークを分割する。 最も強い応用は、タンパク質相互作用ネットワークにおける薬物標的優先性(+0.073から+0.144 AUPRC)で、4つの構造にまたがる中心電池上で、独立したAP-MSネットワークとラベルソースで複製され、3つのバイアス制御(+0.1047と+0.1030、いずれも10/10、p=0.00195)が生き残る。 Omega-Nを集中度に加え、Node2Vecは何も変更しない(+0.0014, p=0.31)。 主張は狭く、解釈可能な10の特徴

関連論文リスト

• Omega-S: A Functional Resilience Index for LLM Fine-Tuning [0.0]
  大規模な言語モデルの微調整は、以前学んだことを劣化させる。 重み行列のみから計算したドロップインペナルティであるOmega-Sを提案する。 既存のトレーニングループには3行あり、ステップのコストに対して4%未満の追加がある。
  論文  参考訳（メタデータ） (2026-08-04T16:22:30Z)
• Level-Crossing Density as a Mesh-Free High-Frequency Auxiliary Loss for Implicit Neural Representations [0.0]
  格子も複雑も永続性もない連続神経場に対するスムーズなモンテカルロ推定器を導出する。 推定器は2Dと3Dの正確なトポロジーに対して1-3%の精度で、1イテレーションあたり約3ミリ秒の費用がかかる。 しかし、3Dニューラル-SDFフィッティングでは、任意のサンプルソフトトポロジーの目的に対して一般的な障害モードが現れると信じている。
  論文  参考訳（メタデータ） (2026-07-07T04:23:23Z)
• Heterogeneous Connectivity in Sparse Networks: Fan-in Profiles, Gradient Hierarchy, and Topological Equilibria [0.0]
  Profiled Sparse Networks (PSN) は、一様接続を決定論的で不均一なファンインプロファイルに置き換える。 90%の間隔で、全ての静的プロファイルは、データセットの密度の高いベースラインの0.2-0.6%以内の精度を達成する。 この結果は、スパーシリティレベル(80-99.9%)、プロファイル形状(8つのパラメトリック族、対数正規、パワーロー)、ファンイン係数が0から2.5である。
  論文  参考訳（メタデータ） (2026-04-12T10:04:48Z)
• ArrowFlow: Hierarchical Machine Learning in the Space of Permutations [0.0]
  ArrowFlowは、置換の空間で完全に動作する機械学習アーキテクチャである。 ArrowFlowは勾配ベースのメソッドを超えるように設計されていない。 これは、基本的に異なる計算パラダイムにおいて、競合分類が可能であることの証明である。
  論文  参考訳（メタデータ） (2026-04-05T12:10:41Z)
• 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)
• Federated Graph Semantic and Structural Learning [54.97668931176513]
  本稿では,ノードレベルのセマンティクスとグラフレベルの構造の両方によって局所的なクライアントの歪みがもたらされることを示す。 構造的グラフニューラルネットワークは、固有の隣接関係のため、隣人に類似性を持っていると仮定する。 我々は、隣接関係を類似度分布に変換し、グローバルモデルを利用して関係知識を局所モデルに蒸留する。
  論文  参考訳（メタデータ） (2024-06-27T07:08:28Z)
• The Heterophilic Snowflake Hypothesis: Training and Empowering GNNs for Heterophilic Graphs [59.03660013787925]
  ヘテロフィリー・スノーフレーク仮説を導入し、ヘテロ親和性グラフの研究をガイドし、促進するための効果的なソリューションを提供する。 観察の結果,我々のフレームワークは多種多様なタスクのための多目的演算子として機能することがわかった。 さまざまなGNNフレームワークに統合することができ、パフォーマンスを詳細に向上し、最適なネットワーク深さを選択するための説明可能なアプローチを提供する。
  論文  参考訳（メタデータ） (2024-06-18T12:16:00Z)
• When Do Graph Neural Networks Help with Node Classification? Investigating the Impact of Homophily Principle on Node Distinguishability [92.8279562472538]
  ホモフィリー原理は、ノード分類タスクにおけるニューラルネットワークよりもグラフネットワーク(GNN)の性能上の優位性の主要な理由であると考えられている。 最近の研究は、ホモフィリーがなくても、同じクラスのノードが類似した近隣パターンを共有する限り、GNNの利点は依然として存在することを示唆している。
  論文  参考訳（メタデータ） (2023-04-25T09:40:47Z)
• Towards Deeper Graph Neural Networks with Differentiable Group Normalization [61.20639338417576]
  グラフニューラルネットワーク(GNN)は、隣接するノードを集約することでノードの表現を学習する。 オーバースムーシングは、レイヤーの数が増えるにつれてGNNのパフォーマンスが制限される重要な問題のひとつです。 2つのオーバースムースなメトリクスと新しいテクニック、すなわち微分可能群正規化(DGN)を導入する。
  論文  参考訳（メタデータ） (2020-06-12T07:18:02Z)
• Unifying Graph Convolutional Neural Networks and Label Propagation [73.82013612939507]
  LPAとGCNの関係を特徴・ラベルの平滑化と特徴・ラベルの影響の2点の観点から検討した。 理論解析に基づいて,ノード分類のためのGCNとLCAを統一するエンドツーエンドモデルを提案する。 我々のモデルは、既存の特徴に基づく注目モデルよりもタスク指向のノードラベルに基づく学習注意重みと見なすこともできる。
  論文  参考訳（メタデータ） (2020-02-17T03:23:13Z)

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。