論文の概要: Hierarchy-GBP: Accelerating Factor Graph Inference via Abstraction and Recovery

• arxiv url: http://arxiv.org/abs/2610.06978v1
• Date: Sun, 04 Oct 2026 00:50:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.486465
• Title: Hierarchy-GBP: Accelerating Factor Graph Inference via Abstraction and Recovery
• Title（参考訳）: 階層GBP:抽象化とリカバリによる因子グラフ推論の高速化
• Abstract要約: グラフィカルモデルにおけるグローバルおよびローカルエラーを解決するための2段階のフレームワークを提案する。 我々は、H-GBPを最適に収束させることを、抽象化と回復ステップの組合せ行列演算子を導出することによって証明する。 H-GBPは大規模PGOを著しく加速し、テストされたすべてのBAスケールで最先端のランタイムを実現する。
• 参考スコア（独自算出の注目度）: 25.01210200479922
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Gaussian Belief Propagation (GBP) is a distributed inference algorithm that passes messages in graphical models, making it attractive for scalable spatial intelligence. However, we find GBP most effective locally: it rapidly smooths message errors that vary sharply between neighbor variables, but corrects global errors across distant graph regions incrementally through long-range message propagations. We propose Hierarchy-GBP (H-GBP), an iterative, two-stage framework that accelerates GBP by first solving these global errors with a coarse graph approximation (abstraction) and projecting the results back to the original graph (recovery), then refining the remaining local errors with GBP. We prove H-GBP convergence to the optimum by deriving the combined matrix operator of our abstraction and recovery steps and analyzing its spectral radius. Experiments on linear sparse graphs show that H-GBP converges fundamentally faster than standard GBP. Moreover, we validate H-GBP on two important spatial problems: Pose Graph Optimization (PGO) and Bundle Adjustment (BA). H-GBP markedly accelerates large-scale PGO and achieves state-of-the-art runtime across all tested BA scales.
• Abstract（参考訳）: Gaussian Belief Propagation (GBP) は、グラフィカルモデルでメッセージを渡す分散推論アルゴリズムであり、スケーラブルな空間知能に魅力的なものである。 しかし, GBPは局所的に最も有効であり, 近隣の変数間で大きく異なるメッセージエラーを高速にスムーズするが, 長距離メッセージ伝搬により, 遠方グラフ領域間でのグローバルエラーを漸進的に補正する。 本稿では、まず、粗いグラフ近似(abstraction)を用いてこれらのグローバルエラーを解き、元のグラフ(recovery)に結果を投影し、残りのローカルエラーをGBPで精算することで、GBPを高速化する反復的な2段階のフレームワークであるHierarchy-GBP(H-GBP)を提案する。 我々は,H-GBPを最適化・回復段階の行列演算子を導出し,そのスペクトル半径を解析することにより,最適にH-GBPを収束させることを証明した。 線形スパースグラフの実験により、H-GBP は標準 GBP よりも根本的に高速に収束することが示された。 さらに,H-GBPをPGO (Pose Graph Optimization) とBA ( Bundle Adjustment) の2つの重要な空間問題に対して検証する。 H-GBPは大規模PGOを著しく加速し、テストされたすべてのBAスケールで最先端のランタイムを実現する。

関連論文リスト

• Anytime Global Tensor Motion Planning [1.1470070927586018]
  グローバルモーションプランニング(GTMP)は、階層化された多部グラフ上のバッチテンソル演算による動作計画を解決する。 我々はGTMPを一般化し、任意のブラックボックスローカルプランナーによって隣接層エッジを実現する。 固定予算でランダムに再起動する任意のGTMPと、予算増加に伴う情報拡張を伴うAO-GTMPの2つのポリシーを提供する。
  論文  参考訳（メタデータ） (2026-08-26T14:08:22Z)
• Emergent Problem-Graph Alignment in RL-Discovered Entanglement Topologies for QAOA [3.03715087930992]
  本稿では,QAOAをベースとしたMaxCut最適化において,問題グラフに直接アクセスすることなく,より効果的な絡み合いトポロジを学習エージェントが発見できるかどうかを検討する。 この結果から,トポロジー密度に支配されるトレーサビリティ-表現トレードオフが明らかとなり,変動最適化のランドスケープがハミルトニアン問題に関する構造情報を暗黙的にエンコードしていることが示唆された。
  論文  参考訳（メタデータ） (2026-08-07T18:17:08Z)
• Rethinking Efficient Graph Coarsening via a Non-Selfishness Principle [56.92868481531399]
  粗大化における近隣住民の集団干渉を優先する非利己的原則を提案する。 局所等方性仮定に基づいて、O(dot d)干渉評価をO(d)に還元する高速なNOPE*を導出する。 粗いグラフの学習は、元のグラフに匹敵する性能を示し、LLMベースのグラフ推論よりも優れた性能を示すことができる。
  論文  参考訳（メタデータ） (2026-05-13T05:24:35Z)
• HELP: HyperNode Expansion and Logical Path-Guided Evidence Localization for Accurate and Efficient GraphRAG [53.30561659838455]
  大きな言語モデル(LLM)は、しばしば固有の知識境界と幻覚に苦しむ。 Retrieval-Augmented Generation (RAG) は、マルチホップ推論に不可欠な構造的相互依存性をしばしば見落としている。 ヘルプは、複数の単純でマルチホップなQAベンチマークで競合性能を達成し、グラフベースのRAGベースラインよりも28.8$times$のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-24T14:05:29Z)
• LGBQPC: Local Granular-Ball Quality Peaks Clustering [51.58924743533048]
  密度ピーククラスタリング(DPC)アルゴリズムは、任意の形状のクラスタを検出する能力において、かなりの注目を集めている。 近年のDPCとグラニュラーボールコンピューティングの統合により、GBベースのDPCアルゴリズムが実現され、計算効率が向上した。 本稿では,ローカルGB品質ピーククラスタリング(LGBQPC)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-05-16T15:26:02Z)
• Graph Adversarial Diffusion Convolution [49.974206213411904]
  本稿では,グラフ信号デノイング(GSD)問題に対する min-max 最適化の定式化を提案する。 Graph Adversarial Diffusion Convolution (GADC)と呼ばれる新しいGraph Diffusion Convolutionアーキテクチャを導出する。
  論文  参考訳（メタデータ） (2024-06-04T07:43:04Z)
• Edge-set reduction to efficiently solve the graph partitioning problem with the genetic algorithm [0.0]
  エッジベース遺伝的アルゴリズム(GA)における染色体サイズ変更の影響について検討する。 大型の高密度インスタンスの場合,符号化表現のサイズが巨大になり,GAの効率に影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2023-07-19T18:39:15Z)
• HGCH: A Hyperbolic Graph Convolution Network Model for Heterogeneous Collaborative Graph Recommendation [11.651443951846668]
  異種協調グラフに多様な側面情報を統合する協調フィルタリングのための改良されたHGCNモデルを提案する。 その結果,HGCHは競争的な結果が得られ,最上位のベースラインを上回る結果が得られた。
  論文  参考訳（メタデータ） (2023-04-06T09:38:54Z)
• Gradient Boosted Binary Histogram Ensemble for Large-scale Regression [60.16351608335641]
  本研究では,2値ヒストグラム分割とアンサンブル学習に基づくテキストグラディエント2値ヒストグラムアンサンブル(GBBHE)と呼ばれる大規模回帰問題に対する勾配向上アルゴリズムを提案する。 実験では, 勾配向上回帰木 (GBRT) などの他の最先端アルゴリズムと比較して, GBBHEアルゴリズムは大規模データセット上での実行時間が少なく, 有望な性能を示す。
  論文  参考訳（メタデータ） (2021-06-03T17:05:40Z)
• Scalable Graph Neural Networks via Bidirectional Propagation [89.70835710988395]
  グラフニューラルネットワーク(GNN)は、非ユークリッドデータを学習するための新興分野である。 本稿では、特徴ベクトルとトレーニング/テストノードの両方から局所的な双方向伝搬プロセスを利用するスケーラブルなGNNであるGBPを提案する。 実証実験により、GBPは、トレーニング/テスト時間を大幅に減らして最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2020-10-29T08:55:33Z)

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。