論文の概要: When does a spectral prior help graph learning? Connectivity-loss estimation under road-network disruptions
- arxiv url: http://arxiv.org/abs/2609.11166v1
- Date: Thu, 10 Sep 2026 07:12:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 23:53:35.240387
- Title: When does a spectral prior help graph learning? Connectivity-loss estimation under road-network disruptions
- Title（参考訳）: スペクトル事前学習はいつ役に立つか? 道路網の破壊下における接続性-損失推定
- Abstract要約: グラフニューラルネットワーク(GNN)を用いた多端削除後の相対的代数接続損失を推定する。
GCN、GraphSAGE、エッジ対応MPNNバックボーンを解析ベースラインと比較する。
その結果、スペクトル残差は、構造的接続性スクリーニングに有用ながドメイン感受性誘導バイアスとして特徴づけられる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rapid evaluation of many simultaneous road-link disruptions requires a practical compromise between exact spectral recomputation and local approximation. We estimate relative algebraic-connectivity loss after multi-edge deletion using graph neural networks (GNNs) that learn a bounded correction to a first-order Fiedler sensitivity. The study considers independent, spatially clustered, and edge-betweenness-targeted failures, with graph-disjoint synthetic splits and zero-shot transfer to 13 OpenStreetMap (OSM) areas in six countries. GCN, GraphSAGE, and edge-aware MPNN backbones are compared with analytical baselines. In expanded OSM tests, residual GCN improves spatial-failure MAE by 0.0391 (95% hierarchical interval 0.0151-0.0662), while residual GraphSAGE improves targeted-failure MAE by 0.0257 (0.0095-0.0446). Second-order perturbation improves first-order MAE by only 0.0028-0.0053. Correction slopes decrease under targeted transfer, indicating residual shrinkage around systematic prior error. Leave-one-country-out OSM-to-OSM transfer is mixed: residual GCN improves targeted-failure MAE by 0.0622 (0.0169-0.1153) but worsens the spatial point estimate. Sparse scaling extends to 20,000 nodes and separates one-time spectral setup from amortized screening cost. These results characterize the spectral residual as a useful but domain-sensitive inductive bias for structural connectivity screening. Code, cached networks, and reproducibility artifacts are archived at doi:10.5281/zenodo.22307723.
- Abstract（参考訳）: 多くの同時道路リンク破壊の迅速評価には、正確なスペクトル再計算と局所近似の実際の妥協が必要である。
グラフニューラルネットワーク(GNN)を用いて1次フィドラー感度に対する有界補正を学習し,多端削除後の相対的代数接続損失を推定する。
この研究は、6か国13のOpenStreetMap(OSM)領域にグラフ不整合合成分割とゼロショット転送を含む、独立、空間的クラスタ化、エッジ間通信の障害を考察している。
GCN、GraphSAGE、エッジ対応MPNNバックボーンを解析ベースラインと比較する。
拡張OSM試験では、残留GCNは空間障害MAEを0.0391(95%階層区間0.0151-0.0662)改善し、残留GraphSAGEはターゲット障害MAEを0.0257(0.0095-0.0446)改善した。
2次摂動は1次MAEを0.0028-0.0053だけ改善する。
目標移動時の補正勾配は減少し, 系統的事前誤差に伴う残留収縮が示唆された。
残留GCNはターゲット障害MAEを0.0622(0.0169-0.1153)改善するが、空間点推定は悪化する。
スパーススケーリングは20,000ノードに拡張され、1回のスペクトル設定と償却スクリーニングコストを分離する。
これらの結果は、スペクトル残差を構造接続スクリーニングに有用ながドメイン感受性誘導バイアスとして特徴づける。
コード、キャッシュネットワーク、再現性アーティファクトはdoi:10.5281/zenodo.22307723でアーカイブされている。
関連論文リスト
- ShiftSplit-AD: Separating Domain Shift from Defects in Foundation-Feature Visual Anomaly Detection [0.0]
本研究は, DINOv2残基の構造的分解がシフト誘起エビデンスを抑制することができるかどうかを考察する。
ShiftSplit-ADは、パッチ残留行列をローランクおよびロースパースコンポーネントに分解する。
実験は普遍的な分離というよりはむしろ中心的なトレードオフを露呈する。
論文 参考訳（メタデータ） (2026-08-27T18:42:38Z) - Continuity-Driven Representation Learning for Industrial Defect Detection [10.126273003671388]
産業的欠陥検出は、検査画像が繰り返し構造を持つ大きな正常な領域を含むため、自然画像オブジェクト検出とは異なる。
本研究では, 正規支配領域を高密度補助監督として活用する連続性駆動型表現正規化フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-18T04:31:55Z) - Kohn-Sham Spectral Embedding on Sparse Graphs at the Nishimori Temperature for Image Classification [0.0]
Kohn-Sham Spectral Embedding (KSSE)
畳み込みネットワークの上位層を、関連するランダム・ボンド・アイシング・モデルの西森温度に埋め込んだスパースグラフスペクトルに置き換えたエネルギーベースモデル。
ImageNet-1000では、凍結されたEfficientNet-B4機能により、KSSEは21.24MパラメータビーティングSwin-L (197M, 86.4-87.3%)で88.93%のTop-1精度を達成し、ViT-H/14の下端(632M, 88.0-89.5%)を10倍と30倍のパラメータでマッチングした。
論文 参考訳（メタデータ） (2026-07-30T16:05:51Z) - GeoID-PINN: Identifiability-Aware Regional Epidemic Inference with Geographic Coupling [1.0875426095207128]
本稿では,物理インフォームドニューラルネットワーク(PINN)を導入する。
我々は、距離、隣接性、通勤性、およびリードラグ情報から構築された空間先行を正規化する。
Forecast-Trained Geo-PINNは自己回帰的な負二項基底に対して、平均二乗誤差(MSE)を32,957から11,468、平均絶対誤差(MAE)を70.60から57.73に減少させる。
論文 参考訳（メタデータ） (2026-07-28T05:59:23Z) - Unified Geometry-Guided ML-FTLE for Tracking Transient Chaos from Scalar Time Series [0.0]
本稿では,予測軌道の偏差をマクロ的な誘引形態と統合し,突発的な状態変化を追跡する幾何学誘導型機械学習フレームワークを提案する。
この方程式のないフレームワークは、複雑な非定常系の構造遷移を監視するために、高精度でノイズ耐性のある診断を提供する。
論文 参考訳（メタデータ） (2026-06-05T15:22:57Z) - Learning Higher-Order Structure from Incomplete Spatiotemporal Data: Multi-Scale Hypergraph Laplacians with Neural Refinement [26.873671102536438]
センサネットワークは現代のインフラを統治するが、標準計算ベンチマークによって仮定される一様ランダムパターンには、それらが失うデータが欠落することは滅多にない。
不完全な観測から高次構造を学習するフレームワークであるMulti-Scale Hypergraph Laplaciansを紹介する。
我々はMSHLがグループ保存パターンをペアワイズグラフに到達不能に表現し、対数係数まで最高の固定スケールに適応し、一方的な改善を保証することを証明した。
論文 参考訳（メタデータ） (2026-05-17T08:15:16Z) - Monitoring Neural Training with Topology: A Footprint-Predictable Collapse Index [51.56484100374058]
我々は,MHM(Modular Morse Homology maintenance)とCI(Composite Collapse Index)を併用したオンライントポロジ対応型神経表現モニタを提案する。
コンプレックスを再構築する代わりに、スパース編集を一定のスケールで適用し、離散的なモースマッチングを維持し、高速でインクリメンタルな更新をもたらす。
論文 参考訳（メタデータ） (2026-04-28T19:21:21Z) - Generalizing GNNs with Tokenized Mixture of Experts [75.8310720413187]
安定性の向上には,変化に敏感な特徴への依存を低減し,既約最悪の一般化フロアを残す必要があることを示す。
本研究では,STEM-GNNを提案する。STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN,STEM-GNN。
9つのノード、リンク、グラフのベンチマークで、STEM-GNNはより強力な3方向バランスを実現し、クリアグラフ上での競争力を維持しながら、次数/ホモフィリーシフトや特徴/エッジの破損に対する堅牢性を改善している。
論文 参考訳（メタデータ） (2026-02-09T22:48:30Z) - Learning Wireless Interference Patterns: Decoupled GNN for Throughput Prediction in Heterogeneous Multi-Hop p-CSMA Networks [4.303580795892996]
Decoupled Graph Convolutional Network (D-GCN)は、ノードの送信確率の処理を近隣の干渉効果から明確に分離する新しいアーキテクチャである。
D-GCNは3.3%のNMAEを達成し、強力なベースラインを上回り、正確な解析手法が計算的に実現不可能になった場合でも、依然として引くことができる。
論文 参考訳（メタデータ） (2025-10-15T22:13:59Z) - Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。
非滑らかな正規化はしばしば機械学習タスクに組み込まれる。
本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-04-17T08:32:25Z) - Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。
本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
論文 参考訳（メタデータ） (2024-11-21T14:19:32Z) - Towards Communication-efficient Federated Learning via Sparse and Aligned Adaptive Optimization [90.08459757321405]
Federated Adam (FedAdam) アルゴリズムはアップリンク通信オーバーヘッドの3倍の増大に悩まされている。
我々はFedAdam-SSMと呼ばれる新しいスパースなFedAdamアルゴリズムを提案する。
我々は,FedAdam-SSMが訓練したモデルと集中型Adamの差異を最小化することにより,スペーシフィケーションエラーによる学習性能劣化を軽減するためにSSMを最適化する。
論文 参考訳（メタデータ） (2024-05-28T07:56:49Z) - Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。
本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。
これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
論文 参考訳（メタデータ） (2022-06-06T14:26:34Z)
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。