論文の概要: TwinS-GCN: Spectral conjugate for Spectral Graph Convolutional Networks

• arxiv url: http://arxiv.org/abs/2609.32940v1
• Date: Sat, 26 Sep 2026 21:00:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 11:44:38.03409
• Title: TwinS-GCN: Spectral conjugate for Spectral Graph Convolutional Networks
• Title（参考訳）: TwinS-GCN: スペクトルグラフ畳み込みネットワークのためのスペクトル共役
• Abstract要約: グラフネットワークは、グラフシフト演算子を介して繰り返しローカルアグリゲーションによって情報を伝播する。 純粋方向性を引き出す自然な方法は、シフト作用素のスキュー対称部分を取ることである。 代わりにスペクトル共役を使い、シフトで通勤し、散逸する部分と非散逸する部分に分割する。 2つのフィルタファミリは、非消散成分がエネルギー損失のない信号を伝達する和フィルタと、シフトではなく一対の成分の比である比フィルタである。
• 参考スコア（独自算出の注目度）: 2.329698850625249
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Graph convolutional networks propagate information by repeated local aggregation through a graph shift operator; i.e., a $K$-layer network reaches $K$ hops neighborhood. On the one hand, such spreading can lead to oversmoothing. On the other hand, long-range dependencies demand the depth. Transporting information on long distances and without attenuation requires the shift to distinguish a direction of flow, which a symmetric operator cannot perform but a directed one can fulfill. A natural way to extract pure-directionality is to take the skew-symmetric part of the shift operator through the Cartesian split, which, however, generally does not commute with the shift itself, meaning that the filters built on it are not shift-invariant. We instead use the spectral conjugate; i.e., the image of the operator under $τ:z\mapsto \bar{z}$, which commutes with the shift and splits it into a dissipative and a non-dissipative part. Two filter families follow: a sum filter, whose non-dissipative component transports signal without energy loss, and a ratio filter, ratio in the pair of components rather than polynomial in the shift. Both arise from non-holomorphic kernels, placing them outside the holomorphic class underlying classical spectral convolution. On the directed cycle, the ratio filter becomes an IIR filter with global impulse response, for which we prove a long-range reach gap against every degree-$K$ polynomial filter. Chebyshev reparameterization gives stable vertex-domain layers with real coefficients, yielding TwinS-GCN, which solves graph transfer tasks at reduced depth and is competitive with state-of-the-art graph convolutional networks on node classification benchmarks.
• Abstract（参考訳）: グラフ畳み込みネットワークは、グラフシフト演算子を通じて繰り返し局所的な集約によって情報を伝達する。 一方、そのような拡散は過密につながる可能性がある。 一方、長距離依存関係は深さを必要とする。 遠距離での移動と減衰のない移動は、対称作用素が実行できないが有向作用素が達成できる流れの方向を区別するシフトを必要とする。 純粋方向を抽出する自然な方法は、シフト作用素のスキュー対称部分をカルテシアン分割(英語版)(Cartesian split)を通して取ることであるが、これは一般にシフト自身と可換ではないため、その上に構築されたフィルタはシフト不変ではない。 代わりにスペクトル共役、すなわち$τ:z\mapsto \bar{z}$ の作用素の像を使い、シフトと可換になり、散逸部分と非散逸部分に分けられる。 2つのフィルタファミリは、非消散成分がエネルギー損失のない信号を伝達する和フィルタと、シフト中の多項式ではなく成分の対の比である比フィルタである。 どちらも非正則核から生まれ、古典的なスペクトル畳み込みを基礎とする正則類の外に置く。 有向回路上では、比フィルタは大域的なインパルス応答を持つIIRフィルタとなり、ここでは多項式フィルタの次数-$K$に対して長距離リーチギャップを証明している。 チェビシェフ再パラメータ化により、実際の係数を持つ安定な頂点ドメイン層が得られ、TwinS-GCNが得られ、これはグラフ転送タスクを最小の深さで解き、ノード分類ベンチマーク上の最先端グラフ畳み込みネットワークと競合する。

関連論文リスト

• Directed Graph Topology Inference via Graph Filter Identification [54.541275287889164]
  本稿では,グラフ畳み込みフィルタが生成するノイズ測定から有向ネットワークを推定する問題に対処する。 また、上記のステップを交互に交互に組み合わせて、サンプルの複雑さを向上する結合グラフフィルタとトポロジー同定アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-06-25T18:25:57Z)
• Data-Driven Graph Filters via Adaptive Spectral Shaping [10.449640808601199]
  本稿では,グラフフィルタリングのためのデータ駆動型フレームワークであるAdaptive Spectral Shapingを紹介する。 このフレームワークは、グラフ信号処理パイプラインとグラフニューラルネットワークにプラグインする、コンパクトなスペクトルモジュールを提供する。
  論文  参考訳（メタデータ） (2026-02-03T16:20:49Z)
• 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)
• Equivariant Machine Learning on Graphs with Nonlinear Spectral Filters [12.709930975472698]
  グラフ汎函数シフトを対称性群、つまりグラフシフト作用素と可換なユニタリ作用素と考える。 グラフ関数シフトに完全同値な非線形スペクトルフィルタ(NLSF)を提案する。 ノードおよびグラフ分類ベンチマークにおいて、既存のスペクトルGNNよりもNLSFの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2024-06-03T12:07:01Z)
• Spectral Invariant Learning for Dynamic Graphs under Distribution Shifts [57.19908334882441]
  動的グラフニューラルネットワーク(DyGNN)は現在、動的グラフ固有の分散シフトを扱うのに苦労している。 本稿では,スペクトル領域における動的グラフの分布変化を初めて研究する。
  論文  参考訳（メタデータ） (2024-03-08T04:07:23Z)
• Geometric Graph Filters and Neural Networks: Limit Properties and Discriminability Trade-offs [122.06927400759021]
  本稿では,グラフニューラルネットワーク (GNN) と多様体ニューラルネットワーク (MNN) の関係について検討する。 これらのグラフ上の畳み込みフィルタとニューラルネットワークが連続多様体上の畳み込みフィルタとニューラルネットワークに収束することを示す。
  論文  参考訳（メタデータ） (2023-05-29T08:27:17Z)
• On the Shift Invariance of Max Pooling Feature Maps in Convolutional Neural Networks [7.812210699650151]
  ガボル型フィルタによるサブサンプル畳み込みはエイリアスしがちであり、小さな入力シフトに敏感である。 安定性を実現する上で,フィルタの周波数と向きが果たす重要な役割を強調した。 二重ツリー複合ウェーブレットパケット変換に基づく決定論的特徴抽出器を設計し,本理論を実験的に検証する。
  論文  参考訳（メタデータ） (2022-09-19T08:15:30Z)
• Beyond Low-pass Filtering: Graph Convolutional Networks with Automatic Filtering [61.315598419655224]
  グラフ信号の全スペクトルをキャプチャする自動グラフ畳み込みネットワーク(AutoGCN)を提案する。 グラフスペクトル理論に基づいているが、私たちのAutoGCNも空間に局在しており、空間形式を持っている。
  論文  参考訳（メタデータ） (2021-07-10T04:11:25Z)
• Message Passing in Graph Convolution Networks via Adaptive Filter Banks [81.12823274576274]
  我々は BankGCN と呼ばれる新しいグラフ畳み込み演算子を提案する。 グラフ上のマルチチャネル信号をサブスペースに分解し、各サブスペース内の特定の情報を適応フィルタで処理する。 ベンチマークグラフデータセットの集合におけるグラフ分類における優れたパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-06-18T04:23:34Z)

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。