論文の概要: Scalable Subgraph Sampling via Resistance Curvature
- arxiv url: http://arxiv.org/abs/2609.27209v1
- Date: Wed, 23 Sep 2026 01:16:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:17.817347
- Title: Scalable Subgraph Sampling via Resistance Curvature
- Title（参考訳）: 抵抗曲線によるスケーラブルな部分グラフサンプリング
- Abstract要約: サブグラフサンプリングは、大規模グラフニューラルネットワークのトレーニングコストを低減する。
ERC-LGを用いた抵抗曲率誘導サンプリングフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 8.665262442928217
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Subgraph sampling reduces the training cost of large-scale graph neural networks, but sampling criteria may overlook the geometric roles of edges. We propose a resistance-curvature-guided sampling framework built on ERC-LG, a curvature approximation method for large-scale graphs. ERC-LG combines Johnson-Lindenstrauss projections with regularized multi-GPU batched conjugate gradient solvers, avoiding explicit Laplacian pseudoinverse computation and full embedding storage. The resulting curvature informs node- and edge-sampling probabilities for constructing GNN training subgraphs. Experiments show numerical agreement with pseudoinverse-based curvature and reduced runtime compared with CG-only computation. ERC-LG-based sampling variants achieve the highest mean accuracy on six of seven real-world datasets in downstream node classification.
- Abstract（参考訳）: サブグラフサンプリングは大規模グラフニューラルネットワークのトレーニングコストを削減するが、サンプリング基準はエッジの幾何学的役割を見落としている可能性がある。
大規模グラフの曲率近似法であるERC-LGに基づく抵抗曲率誘導サンプリングフレームワークを提案する。
ERC-LGはジョンソン-リンデンシュトラウス射影と正規化されたマルチGPUバッチ共役勾配解器を組み合わせることで、ラプラシアの擬似逆計算と全埋め込みストレージを回避する。
得られた曲率により、GNNトレーニングサブグラフを構築するためのノードおよびエッジサンプリング確率が通知される。
実験では、CGのみの計算と比較して、擬似逆数に基づく曲率と実行時間の短縮との数値的一致を示した。
ERC-LGに基づくサンプリング変種は、下流ノード分類において、7つの実世界のデータセットのうち6つの平均精度を達成する。
関連論文リスト
- Scalable Graph Coreset Selection via Greedy Sampling [48.91894218306487]
最小内部積グリーディ選択規則に基づく,単純かつ効率的なカラム選択グラフサンプリングアルゴリズムを提案する。
ブロックモデルに基づいてアルゴリズムを解析し,次数分布がノード間で均衡している場合,クラスタサイズに対する比例サンプリングを実現する。
論文 参考訳（メタデータ） (2026-07-30T02:45:31Z) - CuBAS: Information Geometric Curvature-Based Adaptive Sampling for Supervised Classification [52.452902154360565]
CuBASは、教師付き分類における適応データ選択のための情報幾何学的フレームワークである。
ラベル付きデータセットは統計多様体と見なすことができ、局所曲率は2階と1階の観測されたフィッシャー情報の比率で推定され、データの分布の幾何学的複雑さを忠実にエンコードする。
論文 参考訳（メタデータ） (2026-07-03T09:36:02Z) - A Spectral Interpretation of Redundancy in a Graph Reservoir [51.40366905583043]
この研究はMRGNN(Multi resolution Reservoir Graph Neural Network)における貯留層の定義を再考する。
コンピュータグラフィックスにおける表面設計の分野で最初に導入されたフェアリングアルゴリズムに基づく変種を提案する。
この論文の中核的な貢献は、ランダムウォークの観点からのアルゴリズムの理論解析にある。
論文 参考訳（メタデータ） (2025-07-17T10:02:57Z) - Locally Regularized Sparse Graph by Fast Proximal Gradient Descent [6.882546996728011]
本稿では,SRSG を短縮した新しい正規化スパースグラフを提案する。
スパースグラフは高次元データのクラスタリングに有効であることが示されている。
SRSGは他のクラスタリング手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2024-09-25T16:57:47Z) - Tackling Data Heterogeneity: A New Unified Framework for Decentralized
SGD with Sample-induced Topology [6.6682038218782065]
我々は,経験的リスク最小化問題に対して,勾配に基づく最適化手法を統一する汎用フレームワークを開発した。
本稿では,SAGA,Local-SVRG,GT-SAGAなどの分散還元(VR)および勾配追跡(GT)手法の統一的な視点を提供する。
その結果、VRとGTの手法は、それぞれデバイス内およびデバイス間のデータを効果的に排除し、アルゴリズムを最適解に正確に収束させることができることがわかった。
論文 参考訳（メタデータ） (2022-07-08T07:50:08Z) - Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via
GDPA Linearization [59.87663954467815]
アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。
本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。
実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
論文 参考訳（メタデータ） (2021-09-10T07:01:15Z) - ViViT: Curvature access through the generalized Gauss-Newton's low-rank
structure [26.24282086797512]
ヘッセンあるいはその一般化されたガウスニュートン(GGN)近似の形での曲線は、深層ネットワークの訓練、圧縮、説明の損失に局所モデルに依存するアルゴリズムに有用である。
本稿では,GGNの低ランク構造を利用した曲率モデルViViTを提案する。
論文 参考訳（メタデータ） (2021-06-04T17:37:47Z) - Unrolling of Deep Graph Total Variation for Image Denoising [106.93258903150702]
本稿では,従来のグラフ信号フィルタリングと深い特徴学習を併用して,競合するハイブリッド設計を提案する。
解釈可能な低パスグラフフィルタを用い、最先端のDL復調方式DnCNNよりも80%少ないネットワークパラメータを用いる。
論文 参考訳（メタデータ） (2020-10-21T20:04:22Z) - Block-Approximated Exponential Random Graphs [77.4792558024487]
指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。
本稿では,非自明なERGに対する近似フレームワークを提案する。
我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
論文 参考訳（メタデータ） (2020-02-14T11:42:16Z)
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。