論文の概要: Global to Local: Topology-Preserving Adaptive Graph Pooling via Granular-Ball
- arxiv url: http://arxiv.org/abs/2609.04978v1
- Date: Fri, 04 Sep 2026 10:32:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:24.002481
- Title: Global to Local: Topology-Preserving Adaptive Graph Pooling via Granular-Ball
- Title（参考訳）: グローバルからローカル: グラニュラーボールによる適応グラフプールのトポロジー保存
- Abstract要約: 本稿では,新しいトポロジ保存型適応グラフポーリング(TPAGP)手法を提案する。
TPAGPはノードの特徴と位相情報を統合してグラフをグラニュラーボールに分割する。
異なる粒度にまたがる特徴相互作用と最適化を容易にする多粒性グラフネットワークモデルを設計する。
- 参考スコア（独自算出の注目度）: 18.207001863893083
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph pooling aims to compress the graph, including both node embeddings and their underlying topological patterns, into a more compact representation. Previous works focus primarily on the overly fine-grained representation of nodes, progressively coarsening the graph by removing nodes or merging them into clusters, thus neglecting the global-to-local patterns and adaptive granularity of the graph's topological structure. In the real scenario, graphs as a whole can be considered the coarsest level of granularity, encapsulating the global topological structure, with progressively finer-grained local topological structures represented from top to bottom. This process continues until the adaptive granularity for each subdomain is reached. To this end, we propose a novel Topology-Preserving Adaptive Graph Pooling (TPAGP) method that dynamically partitions graphs into granular balls by integrating node features and topological information, enabling the generation of multi-granularity representations that effectively capture both local and global structural patterns. Additionally, we design a multi-granularity graph network model that facilitates feature interaction and optimization across different granularities, significantly enhancing performance in graph classification tasks. Experimental results demonstrate that TPAGP outperforms existing pooling methods across various benchmark datasets, effectively mitigating information loss caused by fixed-granularity strategies.
- Abstract（参考訳）: グラフプーリングは、ノード埋め込みとその基盤となるトポロジパターンを含むグラフをよりコンパクトな表現に圧縮することを目的としている。
従来の研究は、ノードを除去したり、クラスタにマージすることでグラフを徐々に粗くすることで、グラフの局所的なパターンや、グラフのトポロジ的構造の適応的な粒度を無視することに集中していた。
現実のシナリオでは、グラフ全体が大域的位相構造を包含し、上から下までの局所的位相構造が徐々に微細化され、最も粗い粒度のレベルと見なすことができる。
この過程は各サブドメインの適応的な粒度に到達するまで続く。
そこで本研究では,ノードの特徴とトポロジ情報を統合することにより,グラフをグラニュラーボールに動的に分割するTPAGP法を提案する。
さらに,異なる粒度をまたいだ機能相互作用と最適化を容易にする多粒性グラフネットワークモデルを設計し,グラフ分類タスクの性能を大幅に向上させる。
実験の結果、TPAGPは様々なベンチマークデータセットで既存のプール法よりも優れており、固定粒度戦略による情報損失を効果的に軽減できることがわかった。
関連論文リスト
- Robust Contrastive Graph Clustering with Adaptive Local-Global Integration [10.185975874676995]
マルチスケールな局所構造とグローバルなセマンティクスを協調的に統合するグラフクラスタリングフレームワークを提案する。
8つの実世界のグラフデータセットに対する実験により,本手法が競合クラスタリング性能を実現することを示す。
論文 参考訳（メタデータ） (2026-05-27T09:29:17Z) - A Remedy for Over-Squashing in Graph Learning via Forman-Ricci Curvature based Graph-to-Hypergraph Structural Lifting [0.0]
本稿では,エッジベースのネットワーク特性を定義するForman-Ricci曲率を用いた構造昇降戦略を提案する。
曲線は、ネットワークのバックボーンのようなグラフの局所的および大域的特性を明らかにする。
我々のアプローチは、長距離を横断するメッセージパッシングやグラフボトルネックにおける情報歪みの問題に対処する手段を提供する。
論文 参考訳（メタデータ） (2025-08-15T10:46:27Z) - GLANCE: Graph Logic Attention Network with Cluster Enhancement for Heterophilous Graph Representation Learning [47.674647127050186]
グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習する上で大きな成功を収めている。
本稿では,論理誘導推論,動的グラフ改善,適応クラスタリングを統合し,グラフ表現学習を強化する新しいフレームワークであるGLANCEを提案する。
論文 参考訳（メタデータ） (2025-07-24T15:45:26Z) - GSAT: Graph Structure Attention Networks [6.546071689641213]
グラフニューラルネットワーク(GNN)は、グラフ構造で表されるデータを処理する強力なツールとして登場した。
ノード近傍でリッチな局所位相情報を符号化する各ノードの構造表現は、しばしばモデリングで見過ごされる重要なタイプの特徴である。
本稿では、匿名ランダムウォーク(ARW)によってモデル化されたこれらの構造情報を活用し、グラフ構造注意ネットワーク(GSAT)を導入して、元の属性と構造表現を統合する。
論文 参考訳（メタデータ） (2025-05-27T14:54:08Z) - Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。
このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。
また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
論文 参考訳（メタデータ） (2025-01-01T08:48:53Z) - Topological Pooling on Graphs [24.584372324701885]
グラフニューラルネットワーク(GNN)は、さまざまなグラフ学習タスクにおいて大きな成功を収めている。
そこで我々は,新しいトポロジカルプール層とビジター複合型トポロジカル埋め込み機構を提案する。
Wit-TopoPoolは、すべてのデータセットで競合他社よりも大幅に優れています。
論文 参考訳（メタデータ） (2023-03-25T19:30:46Z) - Structure-Preserving Graph Representation Learning [43.43429108503634]
本研究では,グラフの構造情報を完全にキャプチャする構造保存グラフ表現学習(SPGRL)手法を提案する。
具体的には、元のグラフの不確かさと誤情報を減らすために、k-Nearest Neighbor法による補完的なビューとして特徴グラフを構築する。
本手法は、半教師付きノード分類タスクにおいて非常に優れた性能を示し、グラフ構造やノード特徴に対するノイズ摂動下での堅牢性に優れる。
論文 参考訳（メタデータ） (2022-09-02T02:49:19Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳（メタデータ） (2022-05-06T03:37:00Z) - Graph Representation Learning via Contrasting Cluster Assignments [57.87743170674533]
GRCCAと呼ばれるクラスタ割り当てを対比して、教師なしグラフ表現モデルを提案する。
クラスタリングアルゴリズムとコントラスト学習を組み合わせることで、局所的およびグローバルな情報を合成的にうまく活用する動機付けがある。
GRCCAは、ほとんどのタスクにおいて強力な競争力を持っている。
論文 参考訳（メタデータ） (2021-12-15T07:28:58Z) - SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。
まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。
次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。
最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
論文 参考訳（メタデータ） (2021-12-12T14:18:18Z) - CommPOOL: An Interpretable Graph Pooling Framework for Hierarchical
Graph Representation Learning [74.90535111881358]
新しい解釈可能なグラフプーリングフレームワークである CommPOOL を提案します。
グラフ表現学習プロセスにおいて、グラフの階層的なコミュニティ構造をキャプチャし、保存することができる。
CommPOOLは階層グラフ表現学習のための汎用的で柔軟なフレームワークです。
論文 参考訳（メタデータ） (2020-12-10T21:14:18Z) - Multi-Level Graph Convolutional Network with Automatic Graph Learning
for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。
空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。
MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文 参考訳（メタデータ） (2020-09-19T09:26:20Z)
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。