論文の概要: Graph-dependent pooling: adaptive granularity in hierarchical graph neural networks

• arxiv url: http://arxiv.org/abs/2610.33623v1
• Date: Sat, 24 Oct 2026 11:54:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.374659
• Title: Graph-dependent pooling: adaptive granularity in hierarchical graph neural networks
• Title（参考訳）: グラフ依存プーリング:階層型グラフニューラルネットワークにおける適応的粒度
• Abstract要約: グラフニューラルネットワークは、データの構造表現を学ぶために広く使われている。 本稿では,グラフのプール粒度を動的に決定するグラフ依存プール(GDPool)を提案する。 金属-有機フレームワークと分子グラフベンチマークの実験は、GDPoolが常に最高の予測性能を達成していることを示している。
• 参考スコア（独自算出の注目度）: 2.406359246841227
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Neural Networks are widely used to learn structural representations of relational data. Hierarchical graph pooling learns multi-level representations by progressively coarsening graphs; however, prior methods rely on predefined cluster numbers or fixed pooling ratios, limiting adaptability to individual graphs. We propose Graph-Dependent Pooling (GDPool), which dynamically determines pooling granularity for each graph. We analyze optimization conflicts among layer-wise objectives through gradient alignment, showing that independently supervised pooling levels can send conflicting gradients to shared parameters. GDPool uses self-attention to select graph-specific anchors representing structurally important nodes and constructs coarse graphs through soft node assignment. Experiments on metal-organic framework and molecular graph benchmarks show that GDPool consistently achieves the best predictive performance across all benchmarks. Evaluations using modularity and the effective number of clusters show that GDPool achieves consistently higher modularity than existing methods while the number of active clusters decreases monotonically with depth. Sensitivity analyses confirm stable behavior across hyperparameter and architectural choices.
• Abstract（参考訳）: グラフニューラルネットワークは、関係データの構造的表現を学習するために広く使われている。 階層的なグラフプーリングは、段階的に粗いグラフによってマルチレベル表現を学習するが、事前定義されたクラスタ数や固定プール比に依存し、個々のグラフへの適応性を制限する。 本稿では,グラフのプール粒度を動的に決定するグラフ依存プール(GDPool)を提案する。 我々は、勾配アライメントによる層間最適化目標間の競合を解析し、独立に制御されたプールレベルが共有パラメータに矛盾する勾配を送れることを示す。 GDPoolは自己アテンションを使用して、構造的に重要なノードを表すグラフ固有のアンカーを選択し、ソフトノード割り当てを通じて粗いグラフを構成する。 金属-有機フレームワークと分子グラフベンチマークの実験は、GDPoolが全てのベンチマークで常に最高の予測性能を達成していることを示している。 モジュール性と有効数のクラスタによる評価は,GDPoolが既存手法よりも一貫して高いモジュール性を達成する一方で,アクティブクラスタの数は深さとともに単調に減少することを示している。 感度解析は、ハイパーパラメータとアーキテクチャの選択をまたいだ安定した挙動を確認できる。

関連論文リスト

• Training A Foundation Model to Represent Graphs as Vectors [24.592499205332413]
  本稿では,任意のグラフを意味情報を保存するベクトルとして表現できるグラフ基盤モデルを訓練することを目的とする。 提案モデルの有効性を裏付ける理論的な一般化を提供する。 数ショットのグラフ分類とグラフクラスタリングによる実験結果から,我々のモデルは強いベースラインよりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-02-04T06:06:28Z)
• GLANCE: Graph Logic Attention Network with Cluster Enhancement for Heterophilous Graph Representation Learning [47.674647127050186]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データから学習する上で大きな成功を収めている。 本稿では,論理誘導推論,動的グラフ改善,適応クラスタリングを統合し,グラフ表現学習を強化する新しいフレームワークであるGLANCEを提案する。
  論文  参考訳（メタデータ） (2025-07-24T15:45:26Z)
• Geometry-Aware Edge Pooling for Graph Neural Networks [23.216349399814643]
  グラフニューラルネットワーク(GNN)は、グラフベースのタスクで大きな成功を収めている。 現実世界のアプリケーションにおける大規模なデータセットの普及により、プール層はGNNの重要なコンポーネントである。 エッジ崩壊による構造認識型プーリングのための新しいグラフプーリング層を提案する。
  論文  参考訳（メタデータ） (2025-06-13T12:01:46Z)
• Revisiting Graph Neural Networks on Graph-level Tasks: Comprehensive Experiments, Analysis, and Improvements [54.006506479865344]
  グラフレベルグラフニューラルネットワーク(GNN)のための統一評価フレームワークを提案する。 このフレームワークは、さまざまなデータセットにわたるGNNを評価するための標準化された設定を提供する。 また,表現性の向上と一般化機能を備えた新しいGNNモデルを提案する。
  論文  参考訳（メタデータ） (2025-01-01T08:48:53Z)
• Higher-order Clustering and Pooling for Graph Neural Networks [77.47617360812023]
  グラフニューラルネットワークは、多数のグラフ分類タスクにおいて最先端のパフォーマンスを達成する。 HoscPoolはクラスタリングベースのグラフプーリング演算子で、階層的に高階情報をキャプチャする。 グラフ分類タスクにおいてHoscPoolを評価し,そのクラスタリングコンポーネントを地層構造を持つグラフ上で評価する。
  論文  参考訳（メタデータ） (2022-09-02T09:17:10Z)
• A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
  本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。 AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。 本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-22T07:05:48Z)
• Accurate Learning of Graph Representations with Graph Multiset Pooling [45.72542969364438]
  本稿では,その構造的依存関係に応じてノード間の相互作用をキャプチャするグラフマルチセットトランス (GMT) を提案する。 実験の結果,GMTはグラフ分類ベンチマークにおいて,最先端のグラフプーリング法を著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-02-23T07:45:58Z)
• CommPOOL: An Interpretable Graph Pooling Framework for Hierarchical Graph Representation Learning [74.90535111881358]
  新しい解釈可能なグラフプーリングフレームワークである CommPOOL を提案します。 グラフ表現学習プロセスにおいて、グラフの階層的なコミュニティ構造をキャプチャし、保存することができる。 CommPOOLは階層グラフ表現学習のための汎用的で柔軟なフレームワークです。
  論文  参考訳（メタデータ） (2020-12-10T21:14:18Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)

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。