論文の概要: Scalable Hierarchical Graph Generation via Soft Community Structure

• arxiv url: http://arxiv.org/abs/2610.12163v1
• Date: Thu, 08 Oct 2026 15:39:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.123479
• Title: Scalable Hierarchical Graph Generation via Soft Community Structure
• Title（参考訳）: ソフトコミュニティ構造によるスケーラブル階層グラフ生成
• Abstract要約: 多くの実世界のグラフは1つの大きなグラフとして存在するので、生成モデルは独立したサンプルなしで、それが適合する1つのグラフから一般化する必要がある。 本稿では,参照グラフをソフトコミュニティの階層に分解し,各ノードにメンバシップ分布を割り当てる。 生成は3つの段階に分けられ、それぞれ独立して訓練される。
• 参考スコア（独自算出の注目度）: 0.21028463367241024
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating large attributed graphs requires reproducing the topology, generating attributes jointly with the structure, and remaining scalable. Many real-world graphs exist as a single large graph, so a generative model has to generalize from the one graph it is fit on, without independent samples. We present Schema, which recursively decomposes a reference graph into a hierarchy of soft communities, assigning each node a membership distribution. Generation is then split into three stages, each trained independently: (1) synthesizing node attributes conditioned on soft memberships, (2) generating intra-community edges from local structural context, and (3) modeling inter-community connections over bridge nodes whose membership mass is distributed across several communities. No stage forms the full adjacency matrix, and each stage operates on a subgraph bounded by the community size. We also introduce an evaluation protocol that covers structural fidelity, memorization, downstream utility, and scalability. On four real-world attributed graphs, Schema recovers the balance between local and long-range structure more closely than any other model that generates attributes, while reproducing only a small fraction of the reference edges. It retains the downstream accuracy of the reference graph without raising it artificially above that level. Baselines that match its structural fidelity memorize the reference, while those with higher downstream accuracy either exceed the reference accuracy or fail to complete on the larger graphs. We measure scalability on six additional graphs with up to 10 million nodes.
• Abstract（参考訳）: 大きな属性グラフを生成するには、トポロジを再現し、構造と共同で属性を生成し、拡張性を維持する必要がある。 多くの実世界のグラフは1つの大きなグラフとして存在するので、生成モデルは独立したサンプルなしで、それが適合する1つのグラフから一般化する必要がある。 本稿では,参照グラフをソフトコミュニティの階層に再帰的に分解し,各ノードにメンバシップ分布を割り当てるスキーマを提案する。 生成は,(1)ソフトなメンバシップに条件付きノード属性の合成,(2)ローカルな構造的コンテキストからコミュニティ内エッジを生成する,(3)メンバーシップ質量が複数のコミュニティに分散しているブリッジノード上でのコミュニティ間接続をモデル化する,という3つの段階に分けられる。 完全な隣接行列を構成するステージはなく、各ステージはコミュニティサイズで区切られたサブグラフ上で動作する。 また、構造的忠実度、記憶化、下流ユーティリティ、スケーラビリティを網羅する評価プロトコルも導入する。 4つの実世界の属性グラフ上で、Schemaは属性を生成する他のモデルよりも局所構造と長距離構造の間のバランスを回復し、参照エッジのごく一部しか再生しない。 参照グラフの下流の精度は、そのレベルを人工的に上昇させることなく保持する。 構造的忠実度に一致するベースラインは参照を記憶するが、下流の精度が高いものは参照精度を超えるか、より大きなグラフで完了しない。 最大1000万のノードを持つ6つのグラフのスケーラビリティを測定します。

関連論文リスト

• Federated Graph Semantic and Structural Learning [54.97668931176513]
  本稿では,ノードレベルのセマンティクスとグラフレベルの構造の両方によって局所的なクライアントの歪みがもたらされることを示す。 構造的グラフニューラルネットワークは、固有の隣接関係のため、隣人に類似性を持っていると仮定する。 我々は、隣接関係を類似度分布に変換し、グローバルモデルを利用して関係知識を局所モデルに蒸留する。
  論文  参考訳（メタデータ） (2024-06-27T07:08:28Z)
• 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)
• Efficient and Scalable Graph Generation through Iterative Local Expansion [26.843529744867222]
  本稿では,1ノードを対象グラフに段階的に拡張することで,グラフを生成する手法を提案する。 各ステップにおいて、ノードとエッジは拡散を減らし、まずグローバル構造を構築し、次に局所的な詳細を精査することで局所的に追加される。 提案モデルは,5,000ノード以上のグラフへのスケーリングを成功裏に,確立されたベンチマークデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-12-14T10:42:42Z)
• HiGen: Hierarchical Graph Generative Networks [2.3931689873603603]
  ほとんどの実世界のグラフは階層構造を示しており、しばしば既存のグラフ生成法で見過ごされる。 本稿では,グラフの階層的な性質を捉え,グラフのサブ構造を粗い方法で連続的に生成するグラフ生成ネットワークを提案する。 このモジュラーアプローチは、大規模で複雑なグラフに対してスケーラブルなグラフ生成を可能にする。
  論文  参考訳（メタデータ） (2023-05-30T18:04:12Z)
• On Hierarchical Multi-Resolution Graph Generative Models [10.420165982124471]
  複数の解像度でコミュニティ構造を生成する新しい手法を提案する。 生成された構造は、階層のそれぞれのレベルでのトレーニングデータ分布に適合する。 提案手法は,複数のグラフデータセットにおける生成的性能向上を示す。
  論文  参考訳（メタデータ） (2023-03-06T17:09:48Z)
• 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)
• LiftPool: Lifting-based Graph Pooling for Hierarchical Graph Representation Learning [53.176603566951016]
  階層グラフ表現を改善するために,リフトプール (LiftPool) と呼ばれるリフトによる3段階法を提案する。 各ノードを削除するために、そのローカル情報は、隣接する保存ノードから集約されたグローバル情報を減らして得られる。 ベンチマークグラフデータセットの評価では、LiftPoolはグラフ分類のタスクにおいて最先端のグラフプーリング手法を大幅に上回っている。
  論文  参考訳（メタデータ） (2022-04-27T12:38:02Z)
• SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
  本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。 まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。 次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。 最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
  論文  参考訳（メタデータ） (2021-12-12T14:18:18Z)

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。