Fugu-MT 論文翻訳(概要): $α$-Graph: Attention-Infused Normalizing Flow Approach to Tractable Graph Modeling

論文の概要: $α$-Graph: Attention-Infused Normalizing Flow Approach to Tractable Graph Modeling

arxiv url: http://arxiv.org/abs/2609.07961v1
Date: Mon, 07 Sep 2026 20:40:16 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-10 19:44:08.511678
Title: $α$-Graph: Attention-Infused Normalizing Flow Approach to Tractable Graph Modeling
Title（参考訳）: $α$-Graph: トラクタブルグラフモデリングへの注意注入型正規化フローアプローチ
Abstract要約: Attention-based Normalizing Flow-based ApproachfootnoteOurの実装とモデルは、研究用に公開(ANFAまたは$$$)されます。特に,グラフデータの複雑な関係構造を捉えるために,非可逆的注意機構を備えた非条件グラフ正規化フローを提案する。条件グラフ正規化フローは非条件グラフ正規化フローと同様の挙動を示し、訓練安定性と効率を保ちながら表現性を向上する。
参考スコア（独自算出の注目度）: 24.30806125547819
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Graph modeling, a crucial task for representing complex relationships in graph-structured data, has achieved significant success in recent years. However, current graph modeling methods rely on traditional Graph Neural Networks and pre-training approaches to implicitly learn the underlying relational structure of graph data. Thus, these prior methods cannot capture the complex graph structure and correlations among inputs. In this paper, we introduce a novel Attention-based Normalizing Flow-based Approach\footnote{Our implementation and models will be released publicly for research reproducibility.} (ANFA or $α$) that provides an explicit, interpretable, and tractable Graph Modeling ($α$-Graph). In particular, we propose a new Unconditional Graph Normalizing Flow with an Invertible Attention Mechanism to capture the complex relational structure of graph data. To further enhance the expressiveness of the model, we introduce Conditional Graph Normalizing Flow with Learnable Queries that enables efficient modeling of correlations in graph-structured data. We show that our Conditional Graph Normalizing Flows behave similarly to Unconditional Graph Normalizing Flows, enhancing expressiveness while maintaining training stability and efficiency. Our experimental results on three benchmarks will illustrate the effectiveness and the state-of-the-art (SoTA) performance of the proposed $α$-Graph method.
Abstract（参考訳）: グラフ構造データにおける複雑な関係を表現するための重要なタスクであるグラフモデリングは、近年、大きな成功を収めている。しかし、現在のグラフモデリング手法は、グラフデータの基盤となる関係構造を暗黙的に学習するために、従来のグラフニューラルネットワークと事前学習アプローチに依存している。したがって、これらの先行手法は入力間の複雑なグラフ構造と相関を捉えることができない。本稿では,Attention-based Normalizing Flow-based Approach\footnote{Our implementation and model will released for research reproducibility。明示的で、解釈可能で、トラクタブルなグラフモデリング(α$-Graph)を提供する。特に,グラフデータの複雑な関係構造を捉えるために,非可逆的注意機構を備えた非条件グラフ正規化フローを提案する。モデルの表現性を一層高めるため,グラフ構造化データの相関を効率的にモデル化する条件付きグラフ正規化フローを学習可能なクエリで導入する。条件グラフ正規化フローは非条件グラフ正規化フローと同様の挙動を示し、訓練安定性と効率を保ちながら表現性を向上する。提案した$α$-Graph法の有効性とSoTA (State-of-the-art) 性能について検討した。

関連論文リスト

Flowette: Flow Matching with Graphette Priors for Graph Generation [8.684988468368454]
Flowetteは、グラフニューラルネットワークベースのトランスフォーマーを使用して、ノードとエッジ属性を持つグラフ表現上で定義された速度場を学習する、継続的フローマッチングフレームワークである。ドメイン駆動型構造事前を組み込むため、リングや星、木などのモチーフに対する制御された構造編集を通じてグラファイトを一般化するグラフ構造モデルの新しい確率論的ファミリーであるグラファイトを導入する。 Flowetteは一貫した改善を示し、複雑なグラフ分布をモデル化するためのフローベースのトレーニングと構造上の先行要素を組み合わせる効果を強調している。
論文参考訳（メタデータ） (2026-02-27T00:22:21Z)
From Features to Structure: Task-Aware Graph Construction for Relational and Tabular Learning with GNNs [6.0757501646966965]
タスク対応グラフ拡張のための統合フレームワークであるauGraphを紹介する。 auGraphは、属性をノードに選択的にプロモートすることで、ベースグラフ構造を強化する。タスク関連構造信号を注入しながら、元のデータスキーマを保存する。
論文参考訳（メタデータ） (2025-06-02T20:42:53Z)
GraphOracle: A Foundation Model for Knowledge Graph Reasoning [9.894106590443714]
知識グラフ間の推論を統一する関係中心基盤モデルであるtextbftextscGraphOracleを紹介する。クエリ依存型アテンション機構は,関係性と実体性の両方について帰納的表現を学習するために開発された。多様な知識グラフの事前学習と、数分レベルの微調整により、実体、関係、グラフ全体に対する効果的な一般化が可能となる。
論文参考訳（メタデータ） (2025-05-16T11:14:57Z)
AnyGraph: Graph Foundation Model in the Wild [16.313146933922752]
グラフ基盤モデルは、グラフデータから堅牢で一般化可能な表現を学ぶ可能性を提供します。本研究では,主要な課題に対処するために設計された統一グラフモデルであるAnyGraphについて検討する。多様な38のグラフデータセットに対する実験は、AnyGraphの強力なゼロショット学習性能を実証した。
論文参考訳（メタデータ） (2024-08-20T09:57:13Z)
OpenGraph: Towards Open Graph Foundation Models [20.401374302429627]
グラフニューラルネットワーク(GNN)は、構造情報を符号化するための有望な技術として登場した。主な課題は、異なる性質を持つグラフデータを一般化することの難しさである。この課題に対処するために,OpenGraphと呼ばれる新しいグラフ基盤モデルを提案する。
論文参考訳（メタデータ） (2024-03-02T08:05:03Z)
GraphMaker: Can Diffusion Models Generate Large Attributed Graphs? [7.330479039715941]
ノード属性を持つ大規模グラフは、様々な現実世界のアプリケーションでますます一般的になっている。従来のグラフ生成法は、これらの複雑な構造を扱う能力に制限がある。本稿では,大きな属性グラフを生成するために特別に設計された新しい拡散モデルであるGraphMakerを紹介する。
論文参考訳（メタデータ） (2023-10-20T22:12:46Z)
GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文参考訳（メタデータ） (2022-12-01T11:49:07Z)
Causally-guided Regularization of Graph Attention Improves Generalizability [69.09877209676266]
本稿では,グラフアテンションネットワークのための汎用正規化フレームワークであるCARを紹介する。メソッド名は、グラフ接続に対するアクティブ介入の因果効果とアテンションメカニズムを一致させる。ソーシャル・メディア・ネットワーク規模のグラフでは、CAR誘導グラフ再構成アプローチにより、グラフの畳み込み手法のスケーラビリティとグラフの注意力の向上を両立させることができる。
論文参考訳（メタデータ） (2022-10-20T01:29:10Z)
Joint Graph Learning and Matching for Semantic Feature Correspondence [69.71998282148762]
本稿では,グラフマッチングを向上するための信頼度の高いグラフ構造を探索するために,GLAMという共用電子グラフ学習とマッチングネットワークを提案する。提案手法は,3つの人気ビジュアルマッチングベンチマーク (Pascal VOC, Willow Object, SPair-71k) で評価される。すべてのベンチマークにおいて、従来の最先端のグラフマッチング手法よりも大きなマージンを達成している。
論文参考訳（メタデータ） (2021-09-01T08:24:02Z)
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)
Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文参考訳（メタデータ） (2020-06-19T13:09:44Z)
Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。