論文の概要: Topology-induced Operators Reveal Complementary Graph Representations without Training

• arxiv url: http://arxiv.org/abs/2609.08152v1
• Date: Tue, 08 Sep 2026 02:37:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.555314
• Title: Topology-induced Operators Reveal Complementary Graph Representations without Training
• Title（参考訳）: トポロジーにより誘発されるオペレーターはトレーニング無しに補足グラフ表現を探索する
• Abstract要約: 複雑なモデル設計や勾配に基づく訓練を行うことなく,情報埋め込みを導出できることを示す。 ランダムウォークと匿名ウォークによって誘導される暗黙の階層構造によるランダムな特徴の伝播は、ノード近接と構造的役割をキャプチャする埋め込みをもたらす。
• 参考スコア（独自算出の注目度）: 12.341482953564105
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Graph representation learning has largely focused on designing increasingly sophisticated models to transform graph topology into vector representations, or embeddings. However, the extent to which embedding quality depends on model learning, rather than on the underlying topological transformations, remains unclear. Here, we show that informative embeddings can be derived without complicated model design and gradient-based training. Propagating random features through implicit hierarchical structures induced by random walks and anonymous walks yields embeddings that capture node proximity and structural role, respectively. These two training-free embeddings preserve complementary aspects of graph organization and perform competitively with classic and recent methods across various node-, edge-, and graph-level tasks. They often require substantially less computation, resulting in a favorable quality-efficiency trade-off. Combining the two types of embeddings further improves inference quality of some tasks compared with using either embedding type alone. Our results suggest that informative graph embeddings can arise from carefully chosen topological transformations before any learning operation is applied.
• Abstract（参考訳）: グラフ表現学習は、グラフトポロジをベクトル表現や埋め込みに変換するための、ますます洗練されたモデルを設計することに集中してきた。 しかしながら、埋め込み品質が基礎となるトポロジ的変換よりもモデル学習にどの程度依存しているかはいまだ不明である。 ここでは,複雑なモデル設計や勾配に基づく訓練を伴わずに,情報埋め込みを導出できることを示す。 ランダムウォーク(ランダムウォーク)と匿名ウォーク(匿名ウォーク)によって誘導される暗黙の階層構造によるランダムな特徴の伝播は、それぞれノード近接と構造的役割を捕捉する埋め込みをもたらす。 これら2つのトレーニング不要な埋め込みはグラフ編成の補完的な側面を保ち、様々なノード、エッジ、グラフレベルのタスクにまたがる古典的および最近の手法と競争的に機能する。 多くの場合、計算量が大幅に少なくなり、品質と効率のトレードオフが好まれる。 2種類の埋め込みを組み合わせることで、組み込み型のみを使用する場合と比較して、いくつかのタスクの推論品質が向上する。 以上の結果から,情報グラフの埋め込みは,学習操作が適用される前に慎重に選択されたトポロジ変換から生じる可能性が示唆された。

関連論文リスト

• A Comparative Study of Counterfactual Explainers for Graph Neural Networks Enabling Multiple Types of Graph Edit [3.329876688618881]
  グラフ構造化データに対する対実的説明は、モデル予測を事前定義された出力に変更するために入力グラフで必要となる最小限かつ現実的な修正を決定しようとする。 本研究は,実世界および合成データセットの多種多様なセットにおける6つの最先端(SOTA)モデルを比較した。
  論文  参考訳（メタデータ） (2026-09-04T13:07:55Z)
• HGMP:Heterogeneous Graph Multi-Task Prompt Learning [18.703129208282913]
  ヘテロジニアスグラフ領域のための新しいマルチタスクプロンプトフレームワークHGMPを提案する。 まず、事前訓練されたモデルと下流タスクのギャップを埋めるために、下流タスクを統一的なグラフレベルタスク形式に再構成する。 我々は,異種情報を活用し,マルチタスクシナリオの性能を向上させるために,グラフレベルのコントラスト事前学習戦略を設計する。
  論文  参考訳（メタデータ） (2025-07-10T04:01:47Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• PAC Learnability under Explanation-Preserving Graph Perturbations [15.83659369727204]
  グラフニューラルネットワーク(GNN)はグラフ上で動作し、グラフ構造化データの複雑な関係と依存関係を活用する。 グラフ説明は、その分類ラベルに関して入力グラフの「ほぼ」統計量である部分グラフである。 本研究は、GNNの設計と訓練において、そのような摂動不変性を利用する2つの方法を検討する。
  論文  参考訳（メタデータ） (2024-02-07T17:23:15Z)
• 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)
• Template based Graph Neural Network with Optimal Transport Distances [11.56532171513328]
  現在のグラフニューラルネットワーク(GNN)アーキテクチャは、2つの重要なコンポーネントに依存している。 本稿では,学習可能なグラフテンプレートとの距離をグラフ表現のコアに配置する新しい視点を提案する。 この距離埋め込みは、Fused Gromov-Wasserstein (FGW) 距離という最適な輸送距離によって構築される。
  論文  参考訳（メタデータ） (2022-05-31T12:24:01Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Graph Contrastive Learning with Adaptive Augmentation [23.37786673825192]
  本稿では,適応的拡張を用いた新しいグラフコントラスト表現学習法を提案する。 具体的には,ノードの集中度に基づく拡張スキームを設計し,重要な結合構造を明らかにする。 提案手法は,既存の最先端のベースラインを一貫して上回り,教師付きベースラインを超えている。
  論文  参考訳（メタデータ） (2020-10-27T15:12:21Z)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)
• 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。