論文の概要: When Vision Meets Graphs: A Survey on Graph Reasoning and Learning

• arxiv url: http://arxiv.org/abs/2609.03816v1
• Date: Thu, 03 Sep 2026 13:19:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:39.085235
• Title: When Vision Meets Graphs: A Survey on Graph Reasoning and Learning
• Title（参考訳）: Visionがグラフに出会ったとき - グラフの推論と学習に関する調査
• Abstract要約: グラフ視覚化に何十年も取り組んできたが、ほとんどのグラフ学習パイプラインは、グラフを純粋に象徴的な構造として扱う。 この調査は、視覚がグラフと出会うという新しい領域について、最初の体系的な概要を提供する。 Vision for Graph Reasoningは、モデルがグラフの視覚的描写を使って構造を理解し、多段階の推論を実行する方法を研究する。 Vision for Graph Learningでは、既知のメッセージパッシングの制限を越えて、ビジュアル機能がグラフエンコーダを補完あるいは拡張する方法について検討している。
• 参考スコア（独自算出の注目度）: 40.5410040922994
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Graphs are a fundamental data structure underlying many problems in the natural and social sciences. Over the past decade, Graph Neural Networks (GNNs) have dominated graph machine learning, supported by solid theoretical foundations. Yet scientists often understand graph structure through vision: chemists read molecular diagrams and social scientists inspect network visualizations. Despite decades of work on graph visualization, most graph learning pipelines still treat graphs purely as symbolic structures, rarely leveraging the visual form of graphs. We argue that this gap deserves renewed attention in the era of powerful vision and vision-language models. This survey provides a first systematic overview of the emerging area we term vision meets graphs, which treats visual depictions of graphs as first-class inputs for reasoning and learning. We organize existing work into three threads. Vision for Graph Reasoning studies how models can use visual depictions of graphs to understand structure and carry out multi-step reasoning. Vision for Graph Learning explores how visual features can complement or augment graph encoders beyond known limitations of message passing. Scientific Graphs examines domains where standardized depiction conventions support both reasoning and learning. Our goal is to clarify what current methods can and cannot do, and to outline a path toward foundation models that perceive and reason about graphs as scientists do.
• Abstract（参考訳）: グラフは自然科学や社会科学における多くの問題の基礎となる基本的なデータ構造である。 過去10年間、グラフニューラルネットワーク(GNN)はグラフ機械学習を支配してきた。 化学者は分子図を読み、社会科学者はネットワークの可視化を検査する。 グラフの可視化に何十年も取り組んできたにもかかわらず、ほとんどのグラフ学習パイプラインはグラフを純粋に象徴的な構造として扱い、グラフの視覚的形式を活用することはめったにない。 このギャップは、強力な視覚モデルと視覚言語モデルの時代において、新たな注目を集めるべきである、と我々は主張する。 この調査は、視覚がグラフと出会うという新興領域を初めて体系的に概観し、グラフの視覚的描写を推論と学習のための第一級の入力として扱う。 既存の作業を3つのスレッドにまとめます。 Vision for Graph Reasoningは、モデルがグラフの視覚的描写を使って構造を理解し、多段階の推論を実行する方法を研究する。 Vision for Graph Learningでは、既知のメッセージパッシングの制限を越えて、ビジュアル機能がグラフエンコーダを補完あるいは拡張する方法について検討している。 Scientific Graphsは、標準化された描写規則が推論と学習の両方をサポートする領域を調べる。 我々のゴールは、現在の方法ができることとできないことを明確にし、科学者のようにグラフを知覚し、理性を持つ基礎モデルへの道筋を概説することである。

関連論文リスト

• Graph Prompting for Graph Learning Models: Recent Advances and Future Directions [75.7773954442738]
  「事前学習・適応」スキームは、まずラベルなしグラフデータに基づくグラフ学習モデルを自己教師型で事前訓練する。 グラフプロンプトは、トレーニング可能なプロンプトを学習し、事前トレーニングされたグラフ学習モデルを変更しない、有望なアプローチとして出現する。
  論文  参考訳（メタデータ） (2025-06-10T01:27:19Z)
• What Do LLMs Need to Understand Graphs: A Survey of Parametric Representation of Graphs [69.48708136448694]
  大規模言語モデル(LLM)は、期待される推論能力と推論能力のために、AIコミュニティで再編成されている。 我々は、グラフのこのようなパラメトリック表現、グラフ法則は、LLMがグラフデータを入力として理解させるソリューションであると信じている。
  論文  参考訳（メタデータ） (2024-10-16T00:01:31Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• 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 Learning and Its Advancements on Large Language Models: A Holistic Survey [37.01696685233113]
  この調査は、グラフ学習と事前訓練された言語モデルの統合における最新の進歩に焦点を当てる。 グラフ構造の観点から現在の研究を解析し、グラフ学習における最新の応用、トレンド、課題について論じる。
  論文  参考訳（メタデータ） (2022-12-17T22:05:07Z)
• Graph Learning: A Survey [38.245120261668816]
  本稿では,グラフ学習の現状について概観する。 グラフ信号処理,行列分解,ランダムウォーク,ディープラーニングなど,既存のグラフ学習手法の4つのカテゴリに特に注目されている。 テキスト,画像,科学,知識グラフ,最適化といった分野におけるグラフ学習アプリケーションについて検討する。
  論文  参考訳（メタデータ） (2021-05-03T09:06:01Z)
• Learning Graph Representations [0.0]
  グラフニューラルネットワーク(GNN)は、大きな動的グラフデータセットに対する洞察を得るための効率的な方法である。 本稿では,グラフ畳み込みニューラルネットワークのオートエンコーダとソーシャル・テンポラル・グラフ・ニューラルネットワークについて論じる。
  論文  参考訳（メタデータ） (2021-02-03T12:07:55Z)
• 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)
• Machine Learning on Graphs: A Model and Comprehensive Taxonomy [22.73365477040205]
  グラフニューラルネットワーク、ネットワーク埋め込み、グラフ正規化モデルの間のギャップを埋める。 具体的には、グラフ上の半教師付き学習のための一般的なアルゴリズムを一般化するグラフデコーダモデル( GraphEDM)を提案する。
  論文  参考訳（メタデータ） (2020-05-07T18:00:02Z)
• Deep Learning for Learning Graph Representations [58.649784596090385]
  グラフデータのマイニングはコンピュータ科学においてポピュラーな研究トピックとなっている。 ネットワークデータの膨大な量は、効率的な分析に大きな課題をもたらしている。 これはグラフ表現の出現を動機付け、グラフを低次元ベクトル空間にマッピングする。
  論文  参考訳（メタデータ） (2020-01-02T02:13:28Z)

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。