論文の概要: From topology learning to graph generation: A unifying perspective

• arxiv url: http://arxiv.org/abs/2609.02286v1
• Date: Wed, 02 Sep 2026 08:36:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.17963
• Title: From topology learning to graph generation: A unifying perspective
• Title（参考訳）: トポロジー学習からグラフ生成へ:統一的視点
• Abstract要約: データからグラフ構造を学ぶことは、幅広い信号処理や機械学習タスクにまたがる根本的な問題である。 既存の研究は、2つの平行方向に沿って大きく進化してきた。 本稿では,グラフデータの共通生成過程の逆問題とみなして,これらの定式化を結合する統一的な枠組みを提案する。
• 参考スコア（独自算出の注目度）: 61.18730621087076
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning graph structures from data is a fundamental problem that spans a wide range of signal processing and machine learning tasks. While significant effort has been made to tackle the problem, existing research has largely evolved along two parallel directions. The first seeks to infer the topology of an individual graph from observations supported on it, whereas the second seeks to learn a generative distribution from observed graph instances, enabling the sampling of new graphs. This review presents a unified framework that connects these formulations by viewing them as inverse problems of a common generation process for graph data. We review the major methodologies within this framework, highlight their relationships, strengths, and limitations, and identify opportunities for integrating ideas across paradigms. By bridging graph topology learning and graph generation, this review provides a broader cross-disciplinary perspective on the field and outlines promising directions for future research.
• Abstract（参考訳）: データからグラフ構造を学ぶことは、幅広い信号処理や機械学習タスクにまたがる根本的な問題である。 この問題に取り組むために多大な努力が払われているが、既存の研究は2つの平行方向に沿って大きく進化してきた。 1つは、個々のグラフのトポロジーを、そのグラフが支持する観測から推測すること、もう1つは、観測されたグラフインスタンスから生成的な分布を学習し、新しいグラフのサンプリングを可能にすることである。 本稿では,グラフデータの共通生成過程の逆問題とみなして,これらの定式化を結合する統一的な枠組みを提案する。 このフレームワークの主要な方法論をレビューし、それらの関係性、強み、限界を強調し、パラダイムを越えてアイデアを統合する機会を特定します。 グラフトポロジ学習とグラフ生成をブリッジすることで、この分野のより広い学際的な視点を提供し、今後の研究に向けた有望な方向性を概説する。

関連論文リスト

• GraIP: A Benchmarking Framework For Neural Graph Inverse Problems [31.17028900874544]
  本稿では,多種多様なグラフ学習タスクを逆問題として定式化し,再編成するニューラルグラフ逆問題の概念的枠組みを紹介する。 本稿では,グラフ学習タスクにおけるGraIPの汎用性を示す。
  論文  参考訳（メタデータ） (2026-01-26T19:28:16Z)
• Towards Graph Prompt Learning: A Survey and Beyond [38.55555996765227]
  大規模"事前訓練と迅速な学習"パラダイムは、顕著な適応性を示している。 この調査は、この分野における100以上の関連する研究を分類し、一般的な設計原則と最新の応用を要約する。
  論文  参考訳（メタデータ） (2024-08-26T06:36:42Z)
• A Survey of Imbalanced Learning on Graphs: Problems, Techniques, and Future Directions [64.84521350148513]
  グラフは、現実世界の無数に存在する相互接続構造を表す。 グラフ学習方法のような効果的なグラフ分析により、ユーザはグラフデータから深い洞察を得ることができる。 しかし、これらの手法はデータ不均衡に悩まされることが多く、グラフデータでは、あるセグメントが豊富なデータを持っているのに、他のセグメントが不足しているのが一般的な問題である。 これは、より正確で代表的な学習結果のために、これらのデータ分散スキューを補正することを目的として、グラフ上の不均衡学習の出現する分野を必要とする。
  論文  参考訳（メタデータ） (2023-08-26T09:11:44Z)
• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• Graph Pooling for Graph Neural Networks: Progress, Challenges, and Opportunities [128.55790219377315]
  グラフニューラルネットワークは多くのグラフレベルのタスクの主要なアーキテクチャとして登場した。 グラフプーリングは、グラフ全体の全体的グラフレベル表現を得るためには不可欠である。
  論文  参考訳（メタデータ） (2022-04-15T04:02:06Z)
• A Survey on Deep Graph Generation: Methods and Applications [22.713801558059213]
  グラフ生成は、観測されたグラフに似た分布から新しいグラフを生成することを目的としており、近年のディープラーニングモデルの発展により注目されている。 我々は,グラフ生成の既存文献について,様々な新しい手法から幅広い応用分野への総合的なレビューを行う。
  論文  参考訳（メタデータ） (2022-03-13T17:11:43Z)
• Graph Self-supervised Learning with Accurate Discrepancy Learning [64.69095775258164]
  離散性に基づく自己監督型LeArning(D-SLA)と呼ばれる原図と摂動グラフの正確な相違を学習することを目的としたフレームワークを提案する。 本稿では,分子特性予測,タンパク質機能予測,リンク予測タスクなど,グラフ関連下流タスクにおける本手法の有効性を検証する。
  論文  参考訳（メタデータ） (2022-02-07T08:04:59Z)
• GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
  本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。 学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。 GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
  論文  参考訳（メタデータ） (2020-07-07T16:51:39Z)

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。