論文の概要: GeoGAE: Scalable Graph-Level Autoencoding via Hyperball Cloud Representations

• arxiv url: http://arxiv.org/abs/2609.35527v1
• Date: Mon, 28 Sep 2026 16:13:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 21:05:22.152711
• Title: GeoGAE: Scalable Graph-Level Autoencoding via Hyperball Cloud Representations
• Title（参考訳）: GeoGAE: Hyperball Cloud Representationsによるスケーラブルなグラフレベル自動エンコーディング
• Abstract要約: 本稿では,ハイパーボールのクラウドとしてグラフ表現を提案する。 この表現に基づいて、トランスフォーマーエンコーダがハイパーボールクラウドをグラフレベルの埋め込みに変換するオートエンコーダであるGeoGAEを提案する。 様々な領域にまたがる複数のグラフデータセットに対して,本手法の評価を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Embedding structured objects into Euclidean spaces has enabled a wide range of successful machine learning applications. Such objects include words, documents, image patches, time series, and graph nodes. In contrast, embedding entire graphs remains a challenging problem. Existing methods either sustain the original order of the graph nodes or match the output nodes to the input ones, both of which create scalability issues. In this work, we propose a graph representation as a cloud of hyperballs, which allows us to define a specific, typically unique, node ordering. Based on this representation, we propose GeoGAE, an autoencoder, in which the Transformer encoder translates a hyperball cloud into a graph-level embedding, and the Transformer decoder translates the graph-level embedding back into the graph. This formulation enables the model to capture both the global graph structure and local relational patterns. We evaluate our method on multiple graph datasets, spanning various domains. The results demonstrate effectiveness of our method in encoding and reconstructing graphs from their embeddings.
• Abstract（参考訳）: 構造化されたオブジェクトをユークリッド空間に埋め込み、幅広い機械学習アプリケーションを成功させた。 このようなオブジェクトには、単語、ドキュメント、イメージパッチ、時系列、グラフノードが含まれる。 対照的に、グラフ全体を埋め込むことは難しい問題である。 既存のメソッドは、グラフノードの本来の順序を維持するか、出力ノードと入力ノードを一致させるかのいずれかで、どちらもスケーラビリティの問題を引き起こします。 本研究では,ハイパーボールのクラウドとしてグラフ表現を提案する。これにより,特定の,典型的にはユニークなノード順序付けを定義できる。 この表現に基づいて、トランスフォーマーエンコーダがハイパーボールクラウドをグラフレベル埋め込みに変換し、トランスフォーマーデコーダがグラフレベル埋め込みをグラフに変換するオートエンコーダであるGeoGAEを提案する。 この定式化により、モデルはグローバルグラフ構造と局所的関係パターンの両方をキャプチャできる。 様々な領域にまたがる複数のグラフデータセットに対して,本手法の評価を行った。 その結果, グラフのエンコーディングと再構成における本手法の有効性が示された。

関連論文リスト

• GraphK: Variable-Size Graph Generation with Efficient Edge Construction [0.27998963147546135]
  グラフ生成のための新しいエンコーダ-サンプラー-デコーダフレームワークであるGraphKを提案する。 置換不変の潜在表現を学習することにより、グラフのサイズと構造を一般化する。 合成および実世界のデータセットの実験は、GraphKが既存のメソッドより優れていることを示している。
  論文  参考訳（メタデータ） (2026-08-19T10:34:17Z)
• InstructG2I: Synthesizing Images from Multimodal Attributed Graphs [50.852150521561676]
  InstructG2Iと呼ばれるグラフ文脈条件拡散モデルを提案する。 InstructG2Iはまずグラフ構造とマルチモーダル情報を利用して情報的隣人サンプリングを行う。 Graph-QFormerエンコーダは、グラフノードをグラフプロンプトの補助セットに適応的に符号化し、デノナイジングプロセスを導く。
  論文  参考訳（メタデータ） (2024-10-09T17:56:15Z)
• Graph Transformer GANs with Graph Masked Modeling for Architectural Layout Generation [153.92387500677023]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。 また,グラフ表現学習のための自己指導型事前学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-15T14:36:38Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• Diffusing Graph Attention [15.013509382069046]
  任意のグラフ構造をアーキテクチャに統合するグラフ変換器の新しいモデルを開発した。 GDはグラフ内の遠いノード間の構造的および位置的関係を抽出し、Transformerの注意とノード表現を指示する。 8つのベンチマークの実験では、グラフディフューザは高い競争力を持つモデルであることが示され、さまざまなドメインセットにおける最先端よりも優れています。
  論文  参考訳（メタデータ） (2023-03-01T16:11:05Z)
• GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
  本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。 提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。 第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
  論文  参考訳（メタデータ） (2022-12-01T11:49:07Z)
• Permutation-Invariant Variational Autoencoder for Graph-Level Representation Learning [0.0]
  グラフ構造データに対する置換不変変分オートエンコーダを提案する。 本モデルは、特定のノード順序を強制することなく、入出力グラフのノード順序を間接的に学習する。 提案モデルの有効性を様々なグラフの再構築や生成タスクで実証する。
  論文  参考訳（メタデータ） (2021-04-20T09:44:41Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Modeling Graph Structure via Relative Position for Text Generation from Knowledge Graphs [54.176285420428776]
  グラフ-テキスト生成のための新しいトランスフォーマーベースのエンコーダデコーダアーキテクチャであるGraformerを提案する。 新たなグラフの自己アテンションでは、ノードのエンコーディングは入力グラフのすべてのノードに依存します。 グレーフォーマーは、これらのノード-ノードの関係を異なるアテンションヘッドに対して異なる重み付けを学習し、入力グラフの異なる連結ビューを仮想的に学習する。
  論文  参考訳（メタデータ） (2020-06-16T15:20:04Z)

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。