論文の概要: Stability-Shaped Deep Graph Learning

• arxiv url: http://arxiv.org/abs/2610.06344v1
• Date: Mon, 05 Oct 2026 13:47:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 09:04:35.404306
• Title: Stability-Shaped Deep Graph Learning
• Title（参考訳）: 安定性を考慮した深層グラフ学習
• Abstract要約: ディープグラフニューラルネットワークでは、深度の増加は受容野を拡大するが、しばしばノード表現が整合するオーバースムーシングにつながる。 我々は,過度なスムーシングの原理的特徴を提供する,深層GNN伝搬のための統一型モードワイド安定フレームワークを開発した。 深部GNNにおける過平滑化を緩和する安定型深部グラフ学習を提案する。
• 参考スコア（独自算出の注目度）: 59.06452163561173
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In deep graph neural networks, increasing depth enlarges the receptive field but often leads to over-smoothing, where node representations tend to align. We develop a unified, mode-wise stability framework for deep GNN propagation that provides a principled characterization of over-smoothing. By interpreting layer depth as time and layer updates as graph-coupled dynamics, over-smoothing can be understood as an undesirable dynamical synchronization of features, for which the master stability curve provides a theoretical tool to assess the stability of synchrony. Guided by this theory, we further propose Stability-Shaped Deep Graph Learning (SDGL) to mitigate over-smoothing in deep GNNs. SDGL has two complementary instantiations: one induces controlled Turing instability to replace synchronization with spatial pattern formation, and the other maintains stable near-critical propagation. Experiments on diverse node- and graph-level benchmarks demonstrate the improved depth scaling and consistent accuracy gains over strong baselines, including graphs exhibiting long-range dependencies.
• Abstract（参考訳）: ディープグラフニューラルネットワークでは、深度の増加は受容野を拡大するが、しばしばノード表現が整合するオーバースムーシングにつながる。 我々は,過度なスムーシングの原理的特徴を提供する,深層GNN伝搬のための統一型モードワイド安定フレームワークを開発した。 層深度を時間とレイヤの更新をグラフ結合力学として解釈することにより、過剰な平滑化は機能の望ましくない動的同期として理解でき、マスター安定性曲線は同期の安定性を評価する理論的ツールを提供する。 この理論により、我々はさらに、深いGNNにおける過度な平滑化を軽減するために、SDGL(Stable-Shaped Deep Graph Learning)を提案する。 SDGLには2つの相補的なインスタンスがある: 1つは制御されたチューリング不安定を誘導し、もう1つは空間パターン形成と同期を置き換え、もう1つは安定な準臨界伝播を維持する。 多様なノードレベルのベンチマークとグラフレベルのベンチマークの実験では、長距離依存を示すグラフを含む強力なベースラインよりも深度スケーリングと一貫した精度の向上が示されている。

関連論文リスト

• PointNSP: Autoregressive 3D Point Cloud Generation with Next-Scale Level-of-Detail Prediction [87.33016661440202]
  自動回帰ポイントクラウド生成は、長い間、拡散ベースの品質アプローチに遅れを取ってきた。 低解像度で大域的な形状を保った粗大な生成フレームワークであるPointNSPを提案する。 ShapeNetの実験によると、PointNSPは自己回帰パラダイムの中で初めて、最先端(SOTA)生成品質を確立している。
  論文  参考訳（メタデータ） (2025-10-07T06:31:02Z)
• A Dynamical Systems-Inspired Pruning Strategy for Addressing Oversmoothing in Graph Neural Networks [18.185834696177654]
  グラフニューラルネットワーク(GNN)のオーバースムース化は、ネットワークの深さが増加するにつれて大きな課題となる。 オーバースムーシングの根本原因を特定し,textbftextitDYNAMO-GATを提案する。 我々の理論的分析は、DYNAMO-GATが過密状態への収束を妨げていることを示している。
  論文  参考訳（メタデータ） (2024-12-10T07:07:06Z)
• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• SAGMAN: Stability Analysis of Graph Neural Networks on the Manifolds [11.839398175390548]
  現代のグラフニューラルネットワーク(GNN)は、入力グラフ構造やノードの特徴の変化に敏感である。 本稿では,GNNの安定性を調べるためのSAGMANと呼ばれるスペクトルフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-02-13T18:33:45Z)
• Accelerating Scalable Graph Neural Network Inference with Node-Adaptive Propagation [80.227864832092]
  グラフニューラルネットワーク(GNN)は、様々なアプリケーションで例外的な効果を発揮している。 大規模グラフの重大化は,GNNによるリアルタイム推論において重要な課題となる。 本稿では,オンライン伝搬フレームワークと2つの新しいノード適応伝搬手法を提案する。
  論文  参考訳（メタデータ） (2023-10-17T05:03:00Z)
• Stability of Neural Networks on Manifolds to Relative Perturbations [118.84154142918214]
  グラフニューラルネットワーク(GNN)は多くの実践シナリオにおいて素晴らしいパフォーマンスを示している。 GNNは大規模グラフ上でうまくスケールすることができるが、これは既存の安定性がノード数とともに増加するという事実に矛盾する。
  論文  参考訳（メタデータ） (2021-10-10T04:37:19Z)
• Training Stable Graph Neural Networks Through Constrained Learning [116.03137405192356]
  グラフニューラルネットワーク(GNN)は、ネットワークデータから機能を学ぶためにグラフ畳み込みに依存する。 GNNは、グラフフィルタから受け継いだ特性である、基礎となるグラフの様々な種類の摂動に対して安定である。 本稿では,GNNの安定条件に制約を課すことにより,新たな制約付き学習手法を提案する。
  論文  参考訳（メタデータ） (2021-10-07T15:54:42Z)

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。