論文の概要: GraCo: A Unified Toolkit of Graph Coarsening Algorithms and Metrics

• arxiv url: http://arxiv.org/abs/2611.01200v1
• Date: Sat, 31 Oct 2026 18:57:01 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:03:01.846036
• Title: GraCo: A Unified Toolkit of Graph Coarsening Algorithms and Metrics
• Title（参考訳）: GraCo: グラフ粗大化アルゴリズムとメトリクスの統一ツールキット
• Abstract要約: グラフ粗大化のための統一ツールキットGraCoを紹介する。 粗いグラフはノードの分割によって固定され、ラプラシアンは粗いグラフと整合性を持つ。 文献とランダムなベースラインから17のメソッドを実装し、同じ表記、入力、出力で5つのファミリーにグループ化します。
• 参考スコア（独自算出の注目度）: 2.538209532048867
• License:
• Abstract: Graph coarsening aims to reduce a graph to a smaller one that preserves chosen properties of the original. It is increasingly used to scale graph learning to large graphs, as a non-differentiable step applied once before training. Many coarsening methods have been proposed in recent years, each with its own implementation, notation and evaluation. In this work, we introduce GraCo, a unified toolkit of graph coarsening methods. It relies on a single definition: a coarsening is fixed by a partition of the nodes and by the Laplacian the coarsened graph is consistent with. The coarsened graph, and the reduction and lifting matrices that map signals from the original graph to the coarsened one and back, follow from these two choices. We implement 17 methods from the literature and a random baseline, grouped into five families, with the same notation, inputs and outputs. We also build a collection of metrics from different papers, applicable to any coarsening. We check the implementations on a synthetic stochastic block model, then we report the runtime and peak memory of each method on Cora, PubMed, ogbn-arxiv and ogbn-products. GraCo is open-source and available at https://github.com/Antonin-J/graco.
• Abstract（参考訳）: グラフ粗化(Graph coarsening)は、元のプロパティの選択したプロパティを保存する小さなものへのグラフの縮小を目的とする。 グラフ学習を大きなグラフにスケールするために、トレーニング前に一度適用された、微分不可能なステップとして、ますます使用されている。 近年,多くの粗大化手法が提案され,それぞれが独自の実装,表記,評価を行っている。 本研究では,グラフ粗化手法の統一ツールキットであるGraCoを紹介する。 粗化はノードの分割によって固定され、ラプラシアンによって粗化グラフは整合である。 粗いグラフと、元のグラフから粗いグラフへの信号をマッピングする行列の縮小と昇降は、これら2つの選択から導かれる。 文献とランダムなベースラインから17のメソッドを実装し、同じ表記、入力、出力で5つのファミリーにグループ化します。 さまざまな論文からメトリクスのコレクションも作成しています。 合成確率ブロックモデルの実装を確認し,Cora,PubMed,ogbn-arxiv,ogbn-productsの各メソッドの実行時間とピークメモリを報告する。 GraCoはオープンソースでhttps://github.com/Antonin-J/graco.comから入手できる。

関連論文リスト

• GraphWeave: Interpretable and Robust Graph Generation via Random Walk Trajectories [21.601579572843978]
  未知の家系のグラフの集合を考えると、我々はその家族から新しいグラフを生成したい。 最近の手法では、グラフ埋め込みまたはノードとエッジの離散空間の拡散を用いる。 多くの拡散ステップの後、どのグラフパターンが観察されるかを予測するのは難しい。 提案手法はGraphWeaveと呼ばれ,パターン生成とグラフ構築を分離する。 次に、2つのステップで新しいグラフを生成します。まず、学習したパターンにマッチするリアルなランダムウォーク「軌跡」を生成します。次に、これらの軌跡に適合する最適なグラフを見つけます。
  論文  参考訳（メタデータ） (2025-09-22T00:10:29Z)
• A Graph is Worth $K$ Words: Euclideanizing Graph using Pure Transformer [47.25114679486907]
  我々は、非ユークリッドグラフを学習可能なグラフワードに変換するGraph2Seqエンコーダを特徴とするGraphsGPTを紹介する。 GraphGPTデコーダは、元のグラフをGraph Wordsから再構成し、情報等価性を保証する。
  論文  参考訳（メタデータ） (2024-02-04T12:29:40Z)
• MGNet: Learning Correspondences via Multiple Graphs [78.0117352211091]
  学習対応は、不均一な対応分布と低い不整合率で設定された初期対応から正しい対応を見つけることを目的としている。 最近の進歩は、通常、グラフニューラルネットワーク(GNN)を使用して単一のタイプのグラフを構築したり、グローバルなグラフに局所グラフをスタックしてタスクを完了させる。 本稿では,複数の補完グラフを効果的に組み合わせるためのMGNetを提案する。
  論文  参考訳（メタデータ） (2024-01-10T07:58:44Z)
• From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited [51.24526202984846]
  グラフベースの半教師付き学習(GSSL)は、長い間ホットな研究トピックだった。 グラフ畳み込みネットワーク (GCN) は, 有望な性能を示す主要な技術となっている。 本稿では3つの単純だが強力なグラフ畳み込み法を提案する。
  論文  参考訳（メタデータ） (2023-09-24T10:10:21Z)
• A Gromov--Wasserstein Geometric View of Spectrum-Preserving Graph Coarsening [19.09507367362567]
  この研究はグラフの粗大化を別の観点から研究し、グラフ距離を保存する理論を発展させた。 幾何学的アプローチは、グラフ分類や回帰のようなグラフの集合を扱う際に有用である。 この差を最小化するには、一般的な重み付きカーネル$K$-means法を用いる。
  論文  参考訳（メタデータ） (2023-06-15T04:47:26Z)
• A Unified Framework for Optimization-Based Graph Coarsening [5.720402020129441]
  大きなグラフが与えられたとき、グラフ粗化は、もともと与えられたグラフの特性を保ちながら、より小さく抽出可能なグラフを学習することを目的としている。 提案するフレームワークは,グラフ学習と次元減少の一体化にある。 学習された粗大化グラフは、元のグラフと類似した$epsin(0,1)$であることが確立されている。
  論文  参考訳（メタデータ） (2022-10-02T06:31:42Z)
• Partition and Code: learning how to compress graphs [50.29024357495154]
  まず、分割アルゴリズムがグラフを基本構造に分解し、これらを確率分布を学習する小さな辞書の要素にマッピングし、エントロピーエンコーダが表現をビットに変換する。 提案アルゴリズムは,非パラメトリックおよびパラメトリックグラフ圧縮器の異なるファミリーに対して,多種多様な実世界のネットワーク上で定量的に評価し,大幅な性能向上を実現している。
  論文  参考訳（メタデータ） (2021-07-05T11:41:16Z)
• Graph coarsening: From scientific computing to machine learning [11.728753892489776]
  本研究の目的は,科学計算に成功している粗大化手法を幅広く検討することである。 機械学習では、グラフ粗化は、グラフダウンサンプリングやグラフリダクションなど、様々な名前で呼ばれる。 このように、これらの方法の一般的な戦略は、粗グラフを定義するためにスペクトル特性に依存することである。
  論文  参考訳（メタデータ） (2021-06-22T15:31:50Z)
• Graph Coarsening with Neural Networks [8.407217618651536]
  本稿では、粗いアルゴリズムの品質を測定するためのフレームワークを提案し、目標に応じて、粗いグラフ上のLaplace演算子を慎重に選択する必要があることを示す。 粗いグラフに対する現在のエッジウェイト選択が準最適である可能性が示唆され、グラフニューラルネットワークを用いて重み付けマップをパラメータ化し、教師なし方法で粗い品質を改善するよう訓練する。
  論文  参考訳（メタデータ） (2021-02-02T06:50:07Z)
• Grale: Designing Networks for Graph Learning [68.23038997141381]
  我々は,数十億のノードを持つグラフのグラフ設計問題に対処するために,スケーラブルなGraleを提案する。 グレールは、(潜在的に弱い)類似性の異なる測度を融合して、そのノード間の高いタスク固有のホモフィリーを示すグラフを作成する。 Googleでは、数千億のノードを持つデータセットや、数十兆の潜在的なエッジを含む、20以上の異なる産業環境にGraleをデプロイしています。
  論文  参考訳（メタデータ） (2020-07-23T13:25:36Z)
• Wasserstein-based Graph Alignment [56.84964475441094]
  我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。 提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-03-12T22:31:59Z)

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。