論文の概要: ProtoGuide: Prototype-Driven Guidance for Class-Conditional Graph Generation
- arxiv url: http://arxiv.org/abs/2609.15239v1
- Date: Mon, 14 Sep 2026 08:57:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:06.200099
- Title: ProtoGuide: Prototype-Driven Guidance for Class-Conditional Graph Generation
- Title（参考訳）: ProtoGuide: クラス定義グラフ生成のためのプロトタイプ駆動ガイダンス
- Abstract要約: プロトギターは勾配を持つフリーズモデルを操るが、離散グラフ拡散は離散エッジ状態をサンプリングするので、勾配はサンプルグラフを伝播することができない。
現実世界のネットワークと2つの異なるバックボーンの5つのクラスにおいて、ProtoGuideはマクロ分類の精度を50.7%から73.5%に引き上げ、73.6%から83.8%に引き上げ、私たちの構成下でのDiGressの組み込み条件トレーニングより優れている。
- 参考スコア（独自算出の注目度）: 10.378378296066305
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Discrete diffusion models are a prominent family for graph generation, but standard class-conditional mechanisms embed the class signal in the denoiser during training, tying the conditioning mechanism to the trained model. Classifier guidance avoids this coupling in continuous domains by steering a frozen model with a classifier's gradient, but discrete graph diffusion samples discrete edge states, so gradients cannot propagate through the sampled graph. We introduce ProtoGuide, a post-hoc, backbone-agnostic framework that recovers an analogous mechanism. At each reverse step the denoiser's per-edge output is relaxed into a differentiable soft adjacency, embedded by a frozen Siamese graph neural network, and scored against a target-class prototype and its nearest competitor; the resulting per-edge gradient, damped by a cosine schedule, is injected back into the denoiser output. All components stay frozen, so guidance is retargeted by supplying a different prototype. On five classes of real-world networks and two architecturally different backbones, EDGE and DiGress, ProtoGuide raises macro classification accuracy from 50.7% to 73.5% and from 73.6% to 83.8%, and outperforms DiGress's built-in conditional training under our configuration. Gains are largest where the unguided models are weakest, and are not uniform across classes. Per-graph coverage remains high in most settings, while distributional effects are class-dependent. A Best-of-N selection baseline matches this accuracy given enough oversampling, but at a substantial cost in graph diversity. An independently initialized classifier, a directionality test, and a few-shot analysis support target-directed steering and robustness to very small support sets.
- Abstract（参考訳）: 離散拡散モデルはグラフ生成において顕著なファミリーであるが、標準クラス条件機構は訓練中にクラス信号をデノイザに埋め込み、条件付け機構を訓練されたモデルに結びつける。
分類器誘導は、凍結したモデルを分類器の勾配で操ることにより、連続領域におけるこの結合を避けるが、離散グラフ拡散は離散エッジ状態をサンプリングするので、勾配はサンプリングされたグラフを伝播することはできない。
本稿では,類似メカニズムを回復するポストホックなバックボーン非依存フレームワークであるProtoGuideを紹介する。
各逆ステップにおいて、デノワザのエッジ毎の出力は、凍結したシームズグラフニューラルネットワークに埋め込まれた微分可能なソフト隣接状態に緩和され、ターゲットクラスプロトタイプとその最も近い競合相手に対してスコアされ、結果として、コサインスケジュールによって減衰されたエッジ毎の勾配がデノワザ出力に注入される。
すべてのコンポーネントは凍結状態にあるため、ガイダンスは異なるプロトタイプを提供することで再ターゲティングされる。
5つの実世界のネットワークと2つのアーキテクチャ上のバックボーンであるEDGEとDiGressにおいて、ProtoGuideはマクロ分類の精度を50.7%から73.5%に引き上げ、73.6%から83.8%に引き上げ、私たちの構成下でのDiGressの組込み条件トレーニングより優れている。
利得は、無誘導モデルが最も弱く、クラス間で一様ではない場合に最大である。
グラフごとのカバレッジは、ほとんどの設定では高いが、分散効果はクラスに依存している。
Best-of-N選択ベースラインは、十分にオーバーサンプリングされているため、この精度と一致するが、グラフの多様性にはかなりのコストがかかる。
独立初期化分類器、方向性テスト、および数ショット解析は、非常に小さなサポートセットに対して、ターゲット指向のステアリングとロバスト性をサポートする。
関連論文リスト
- Dual-Primal Graph VAEs for Noisy Label Aggregation [0.0]
ノイズの多いクラウドソースラベルから根本的真実を推定することは重要な理論的・実践的な問題である。
本稿では,デコーダとエンコーダが,クラウドソースデータセットの隣接グラフ上でGATベースのメッセージパッシングを利用するグラフVAEアーキテクチャを提案する。
我々は,クラウドソーシングベンチマークにおいて,このモデルがアートパフォーマンスの状態を達成していることを示す。
論文 参考訳（メタデータ） (2026-08-11T22:24:16Z) - Operational Feature Fingerprints of Graph Datasets via a White-Box Signal-Subspace Probe [0.3058685580689604]
予測およびグラフデータセット診断のためのホワイトボックス信号サブスペースプローブであるWG-SRCを提案する。
学習したメッセージパッシングを、生の特徴を含む固定された名前のグラフ署名辞書に置き換える。
ホワイトボックスグラフ学習装置として、WG-SRCは予測性能を使用して診断の検証を行う。
論文 参考訳（メタデータ） (2026-04-24T16:00:53Z) - Graph Your Own Prompt [44.358377952850994]
グラフ一貫性規則化(GCR)は、モデル予測から派生した関係グラフ構造を学習プロセスに注入するフレームワークである。
GCRは、よりクリーンな特徴構造、より強力なクラス内凝集、一般化を促進し、予測構造から学習する新しい視点を提供する。
論文 参考訳（メタデータ） (2025-09-27T15:45:07Z) - Gradient-Free Classifier Guidance for Diffusion Model Sampling [4.450496470631169]
Gradient-free Guidance (GFCG) 法はクラス予測精度を一貫して改善する。
ImageNet 512$times$512では、記録的な$FD_textDINOv2$23.09を達成すると同時に、ATG (90.2%) と比較して高い分類精度 (94.3%) を達成する。
論文 参考訳（メタデータ） (2024-11-23T00:22:21Z) - Graph Mining under Data scarcity [6.229055041065048]
汎用グラフニューラルネットワーク(GNN)上に適用可能な不確実性推定フレームワークを提案する。
エンド・ツー・エンドの設定で、$n$-way、$k$-shotという古典的なエピソード学習パラダイムの下でこれらのモデルをトレーニングします。
提案手法は,GNNを用いたグラフ上のFew-shotノード分類における不確実性推定器の有効性を示すベースラインよりも優れる。
論文 参考訳（メタデータ） (2024-06-07T10:50:03Z) - Exploring Beyond Logits: Hierarchical Dynamic Labeling Based on Embeddings for Semi-Supervised Classification [49.09505771145326]
モデル予測に依存しない階層型動的ラベル付け(HDL)アルゴリズムを提案し,画像埋め込みを用いてサンプルラベルを生成する。
本手法は,半教師付き学習における擬似ラベル生成のパラダイムを変える可能性がある。
論文 参考訳（メタデータ） (2024-04-26T06:00:27Z) - Learning to Approximate Adaptive Kernel Convolution on Graphs [4.434835769977399]
本稿では,拡散カーネルのスケールによって特徴集約の範囲を制御できる拡散学習フレームワークを提案する。
本モデルは,最先端データセットの性能評価のためのノードワイズ分類のための様々な標準で検証されている。
グラフ分類のための実世界の脳ネットワークデータにも検証され、アルツハイマー分類の実用性を実証している。
論文 参考訳（メタデータ） (2024-01-22T10:57:11Z) - Transductive Linear Probing: A Novel Framework for Few-Shot Node
Classification [56.17097897754628]
自己教師付きグラフと対照的な事前学習による帰納的線形探索は、同じプロトコル下での最先端の完全教師付きメタラーニング手法より優れていることを示す。
この研究が、数ショットのノード分類問題に新たな光を当て、グラフ上のわずかにラベル付けされたインスタンスから学ぶことの今後の研究を促進することを願っている。
論文 参考訳（メタデータ） (2022-12-11T21:10:34Z) - Similarity-aware Positive Instance Sampling for Graph Contrastive
Pre-training [82.68805025636165]
トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。
私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。
さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
論文 参考訳（メタデータ） (2022-06-23T20:12:51Z) - Geometer: Graph Few-Shot Class-Incremental Learning via Prototype
Representation [50.772432242082914]
既存のグラフニューラルネットワークに基づく手法は主に、豊富なラベリングを持つ固定クラス内の未ラベルノードの分類に重点を置いている。
本稿では,この難易度で実用的なグラフ数ショットクラスインクリメンタルラーニング(GFSCIL)問題に着目し,Geometerと呼ばれる新しい手法を提案する。
完全に接続されたニューラルネットワークのクラスを置き換えて再トレーニングする代わりに、Geometerは、最も近いクラスのプロトタイプを見つけることによって、ノードのラベルを予測する。
論文 参考訳（メタデータ） (2022-05-27T13:02:07Z) - 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) - Heuristic Semi-Supervised Learning for Graph Generation Inspired by
Electoral College [80.67842220664231]
本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。
テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
論文 参考訳（メタデータ） (2020-06-10T14:48:48Z)
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。