論文の概要: Stability Analysis of Signed Graphs under Structural Perturbations

• arxiv url: http://arxiv.org/abs/2610.30444v1
• Date: Wed, 21 Oct 2026 20:53:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.136754
• Title: Stability Analysis of Signed Graphs under Structural Perturbations
• Title（参考訳）: 構造摂動下における符号グラフの安定性解析
• Abstract要約: エッジ加算,削除,符号フリップの下での符号付きグラフフィルタの安定性について検討する。 本稿では,構造に影響を及ぼすサインエッジ修正を選択する理論誘導型摂動戦略を提案する。
• 参考スコア（独自算出の注目度）: 13.35563469188252
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Signed graph learning has emerged as a powerful framework for modeling networks with both positive and negative interactions. While graph-filter-based methods have achieved promising empirical performance on signed networks, their stability under edge perturbations remains less well understood. Existing stability analyses primarily focus on unsigned graphs and do not account for sign-flip perturbations. In this paper, we study the stability of signed graph filters under edge additions, deletions, and sign flips. Our theoretical analysis reveals how signed edge perturbations and node feature correlations jointly determine the learned representation stability. Based on this analysis, we propose a theory-guided perturbation strategy that selects structurally influential signed-edge modifications. Experiments on synthetic and real signed graphs show that the proposed method consistently induces larger embedding drift, polarity change, and downstream link prediction degradation than baselines. These results highlight the importance of \textit{sign-aware} and \textit{distribution-aware} stability analysis for signed graph learning.
• Abstract（参考訳）: 符号付きグラフ学習は、正と負の相互作用を持つネットワークをモデリングするための強力なフレームワークとして登場した。 グラフフィルタに基づく手法は符号付きネットワーク上で有望な経験的性能を達成したが、エッジ摂動下での安定性はいまだよく理解されていない。 既存の安定性解析は、主に符号なしグラフに焦点を当て、サインフリップ摂動を考慮しない。 本稿では,エッジ付加,削除,符号フリップの下での符号付きグラフフィルタの安定性について検討する。 我々の理論的解析は, 符号付きエッジ摂動とノード特徴相関が, 学習した表現安定性を協調的に決定する方法を明らかにする。 この分析に基づいて,構造に影響を及ぼすサインエッジ修正を選択する理論誘導摂動戦略を提案する。 合成および実符号グラフの実験により、提案手法はベースラインよりも大きな埋め込みドリフト、極性変化、下流リンク予測劣化を連続的に誘導することを示した。 これらの結果は,符号付きグラフ学習における \textit{sign-aware} と \textit{distribution-aware} の安定性解析の重要性を強調した。

関連論文リスト

• Stabilizing Filters for Graph Signal Generation [11.329941453877444]
  誘導信号平滑化と構造安定性のバランスをとるグラフフィルタを設計するための基本的枠組みを提案する。 合成グラフと実世界のfMRI信号の実験は、我々の理論的な発見を支持する。
  論文  参考訳（メタデータ） (2026-10-20T14:54:30Z)
• Stable Filters for Generative Modeling of Graph Signals [11.329941453877444]
  本稿では, 構造安定性を高めつつ, グラフ熱拡散の平滑な挙動を保ちながら安定なグラフフィルタを設計するための枠組みを提案する。 合成およびfMRI信号を用いた実験により, 安定フィルタは熱方程式ベースラインの合成品質を一致または超過しながら構造的ロバスト性を高めた。
  論文  参考訳（メタデータ） (2026-09-16T14:46:46Z)
• On the Stability of Graph Convolutional Neural Networks: A Probabilistic Perspective [21.0483487978294]
  グラフトポロジにおける摂動がGCNN出力に与える影響について検討し,モデル安定性解析のための新しい定式化を提案する。 最悪の場合の摂動のみに焦点を当てた従来の研究とは異なり、分布認識の定式化は幅広い入力データにまたがる出力摂動を特徴付ける。
  論文  参考訳（メタデータ） (2025-06-01T23:17:19Z)
• A Signed Graph Approach to Understanding and Mitigating Oversmoothing in GNNs [54.62268052283014]
  署名されたグラフの枠組みに基づく統一的な理論的視点を示す。 既存の戦略の多くは、メッセージパッシングを変えて過度な操作に抵抗する負のエッジを暗黙的に導入している。 本稿では,ラベルや特徴の類似性に基づいて署名されたエッジを割り当てるプラグイン・アンド・プレイ方式であるStructure Balanced Propagation (SBP)を提案する。
  論文  参考訳（メタデータ） (2025-02-17T03:25:36Z)
• Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
  コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。 近年の研究では、グラフ表現学習における事前学習の有用性が示されている。 本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
  論文  参考訳（メタデータ） (2023-02-06T16:26:29Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• 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)
• Recognizing Predictive Substructures with Subgraph Information Bottleneck [97.19131149357234]
  IB-subgraph というサブグラフを認識するための新しいサブグラフ情報ボトルネック(SIB)フレームワークを提案する。 相互情報の抽出性とグラフデータの離散的性質は、SIBの目的を最適化することが難しいことで知られている。 グラフ学習と大規模ポイントクラウドタスクの実験は、ib-subgraphの優れた特性を示している。
  論文  参考訳（メタデータ） (2021-03-20T11:19:43Z)

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。