論文の概要: GraphVQ: Structure-Aware Autoregressive Decoding over Context-Quantized Graph Tokens

• arxiv url: http://arxiv.org/abs/2609.37604v1
• Date: Tue, 29 Sep 2026 13:53:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.586043
• Title: GraphVQ: Structure-Aware Autoregressive Decoding over Context-Quantized Graph Tokens
• Title（参考訳）: GraphVQ: コンテキスト量子グラフトークン上の構造対応自動回帰デコーディング
• Abstract要約: GraphVQは0.86--0.99の精度でノード機能を再構築し、AUROC = 0.89 (ECE = 0.007)でローカルエッジをデコードする GraphVQ は PROTEINS で学習したジェネレータの中で第1位であり、SYN-COMM では第1位、MMD 2.7-17x の軌道を3つのデータセットで1ステージ世代で改善している。
• 参考スコア（独自算出の注目度）: 0.7906608953906891
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph foundation models need a discrete token representation, but casting a graph as a generatable token sequence faces a structural obstacle: edges spanning beyond the serialization window cannot be emitted in one pass--so one-pass autoregressive generators systematically under-produce cycles--and a single global condition cannot tell candidate edges apart. GraphVQ removes both obstacles: node contexts--features plus a local edge mask under multi-order breadth-first serialization--are quantized into a shared codebook by a VQ-VAE with BCE-calibrated Bernoulli edge decoding, and a second-stage structure-aware decoder emits the global adjacency conditioned on token-derived pair features, whose necessity over any global-summary condition is formalized in a scoped impossibility result. The tokenizer reconstructs node features at 0.86--0.99 accuracy and decodes local edges at AUROC >= 0.89 (ECE <= 0.007). Under one same-split protocol on four datasets, pair conditioning improves orbit MMD 0.248 -> 0.174 on PROTEINS and 3.4x on a ring stress test, and vanishes on a random-label control--the signature of attribute--topology coupling--so the gain is claimed exactly where attributes carry edge-relevant signal. GraphVQ ranks first among learned generators on PROTEINS, ties for first on SYN-COMM, and improves orbit MMD 2.7--17x over one-stage generation on three datasets, with seed-level bootstrap intervals confirming the rankings are not seed noise; on MUTAG the unweighted edge target under-generates and is reported as such. These results locate the structural control of autoregressive graph generation in the granularity of the condition: pair-level token context turns a quantized vocabulary into a usable capacity axis for distribution-faithful graph generation and future token-level pretraining.
• Abstract（参考訳）: グラフ基盤モデルは、離散的なトークン表現を必要とするが、生成可能なトークンシーケンスとしてグラフをキャストすることは、構造的な障害に直面する: シリアライゼーションウィンドウを越えて広がるエッジは、1つのパスで発行できない。そのため、1パスの自己回帰生成器は、体系的にアンプロデューササイクルで発行できない。そして単一のグローバル条件は、候補エッジを区別することができない。グラフVQは、両方の障害を取り除く:ノードコンテキストと、マルチオーダーのブロードファーストシリアライゼーションの下でローカルエッジマスク--VQ-VAEによって共有コードブックに量子化され、BCEキャリブレーションされたベルヌーイエッジデコードと、第2ステージの構造アウェアデコーダは、グローバルなアドジャック条件を発行する。この条件は、形式的に具体化されたスコープに必要である。 トークン化器は0.86--0.99の精度でノード機能を再構築し、AUROC >= 0.89 (ECE <= 0.007)でローカルエッジをデコードする。 4つのデータセット上の1つの同じ分離されたプロトコルの下で、ペア条件付けは、リングストレステストにおいて、ProteINS の MMD 0.248 -> 0.174 を改善し、ランダムラベル制御(属性-トポロジー結合のシグネチャ)で消滅する。 GraphVQ は PROTEINS の学習ジェネレータの中で第1位であり、SYN-COMM では第1位、MMD 2.7--17x では第3のデータセットでは第1ステージ世代よりも軌道 MMD 2.7--17x が向上し、シードレベルのブートストラップ間隔でランキングがシードノイズではないことを確認した。 ペアレベルのトークンコンテキストは、量子化された語彙を、分散忠実なグラフ生成と将来のトークンレベルの事前学習のための使用可能なキャパシティ軸に変換する。

関連論文リスト

• MergeTok: Unified Continuous and Discrete Visual Tokenization via Token Merging [41.25982557850732]
  本稿では,エンコーダ・デコーダアーキテクチャ内で連続(VAE)および離散(VQ)トークンを共同で最適化する統合トークン化ツールであるMergeTokを紹介する。 MergeTokはImageNet-256上で、強力なVAEやVQモデルよりもかなり低いrFIDで、競合する再構築と生成性能を示している。
  論文  参考訳（メタデータ） (2026-05-29T06:38:10Z)
• Can We Build Scene Graphs, Not Classify Them? FlowSG: Progressive Image-Conditioned Scene Graph Generation with Flow Matching [35.40374108008262]
  SGG(Scene Graph Generation)は、オブジェクトの局所化と視覚的関係推論を、ボックスと主観的述語オブジェクトのトリプルを予測することによって統合する。 本稿では,SGGをハイブリッド離散連続状態における連続時間輸送として再放送するFlowSGを提案する。 クローズドボキャブラリプロトコルとオープンボキャブラリプロトコルによるVGとPSGの実験は、述語R/mRとグラフレベルのメトリクスにおいて一貫した利得を示す。
  論文  参考訳（メタデータ） (2026-04-18T01:48:43Z)
• Semi-supervised Instruction Tuning for Large Language Models on Text-Attributed Graphs [62.544129365882014]
  本稿では,SIT-Graph というグラフ学習用セミ教師付きインストラクションチューニングパイプラインを提案する。 SIT-Graphはモデルに依存しず、LSMを予測子として利用するグラフ命令チューニングメソッドにシームレスに統合することができる。 SIT-Graphは、最先端グラフチューニング手法に組み込むと、テキスト分散グラフベンチマークの性能を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2026-01-19T08:10:53Z)
• ResTok: Learning Hierarchical Residuals in 1D Visual Tokenizers for Autoregressive Image Generation [64.84095852784714]
  Residual Tokenizer (ResTok)は、画像トークンと潜在トークンの両方の階層的残基を構築する1Dビジュアルトークンライザである。 視覚的トークン化における階層的残差の復元はAR画像生成を著しく改善し,ImageNet-256ではわずか9ステップで2.34gFIDを達成した。
  論文  参考訳（メタデータ） (2026-01-07T14:09:18Z)
• Bridging the Divide: End-to-End Sequence-Graph Learning [47.95529678412846]
  シーケンスとグラフは別の問題ではなく、同じデータセットの相補的な側面であると主張する。 BRIDGEは,シーケンスエンコーダとGNNを結合したエンドツーエンドアーキテクチャである。 BRIDGEは、静的GNN、時間グラフ法、およびランク付けと分類基準に基づくシーケンスのみのベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2025-10-29T03:06:54Z)
• DiffGRM: Diffusion-based Generative Recommendation Model [63.35379395455103]
  ジェネレーティブレコメンデーション(GR)は、トークン化器を介して各項目をn桁のセマンティックID(SID)として表現する新興パラダイムである。 自己回帰デコーダをマスク付き離散拡散モデル(MDM)に置き換える拡散ベースGRモデルDiffGRMを提案する。 実験では、複数のデータセットに対する強力な生成的および差別的推奨ベースラインよりも一貫した利得を示す。
  論文  参考訳（メタデータ） (2025-10-21T03:23:32Z)
• AEGIS: Authentic Edge Growth In Sparsity for Link Prediction in Edge-Sparse Bipartite Knowledge Graphs [0.8594140167290097]
  AEGISは、既存のトレーニングエッジを再サンプリングする、エッジのみの拡張フレームワークである。 テキストリッチGDPグラフでは、セマンティックKNNが最大のAUC改善とBrierスコアの削減を実現している。
  論文  参考訳（メタデータ） (2025-09-26T07:51:40Z)
• A Pure Transformer Pretraining Framework on Text-attributed Graphs [50.833130854272774]
  グラフ構造を先行として扱うことで,特徴中心の事前学習の視点を導入する。 我々のフレームワークであるGraph Sequence Pretraining with Transformer (GSPT)はランダムウォークを通してノードコンテキストをサンプリングする。 GSPTはノード分類とリンク予測の両方に容易に適応でき、様々なデータセットで有望な経験的成功を示す。
  論文  参考訳（メタデータ） (2024-06-19T22:30:08Z)
• UGMAE: A Unified Framework for Graph Masked Autoencoders [67.75493040186859]
  グラフマスク付きオートエンコーダのための統一フレームワークであるUGMAEを提案する。 まず,ノードの特異性を考慮した適応型特徴マスク生成器を開発した。 次に,階層型構造再構成と特徴再構成を併用し,総合的なグラフ情報を取得する。
  論文  参考訳（メタデータ） (2024-02-12T19:39:26Z)
• NESS: Node Embeddings from Static SubGraphs [0.0]
  本稿では,グラフオートエンコーダ(GAE)を用いて静的サブグラフ(NESS)からノード埋め込みをトランスダクティブに学習するフレームワークを提案する。 NESSは2つの主要なアイデアに基づいている。 i) トレーニンググラフをデータ前処理中にランダムなエッジ分割を使用して、重複しないエッジを持つ複数の静的でスパースなサブグラフに分割する。 我々はNESSがリンク予測タスクに対して、グラフ全体またはサブグラフのいずれかを使用する現在の自動符号化手法と比較して、より良いノード表現を提供することを示した。
  論文  参考訳（メタデータ） (2023-03-15T22:14:28Z)
• 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。