論文の概要: Feature-Aware Edge Sampling for Approximate One-Step Laplacian Propagation
- arxiv url: http://arxiv.org/abs/2611.16169v1
- Date: Thu, 12 Nov 2026 01:59:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.298805
- Title: Feature-Aware Edge Sampling for Approximate One-Step Laplacian Propagation
- Title(参考訳): 近似型ワンステップラプラシアン伝播のための特徴認識エッジサンプリング
- Abstract要約: エッジサンプリングを用いたグラフニューラルネットワークにおける1ステップラプラシアンメッセージを近似する方法を示す。
合成コミュニティグラフに関する予備実験では、メッセージエラーは減少し、分類精度はわずかに上昇する。
- 参考スコア(独自算出の注目度): 4.641112249900318
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper studies how to approximate one-step combinatorial Laplacian messages in graph neural networks using edge sampling. We propose a spanning tree based hybrid sampler that combines feature-conditioned message scores and effective-resistance leverage scores, derive the expected one-step message error and obtain the optimal sampling probabilities and error frontier for a given expected edge budget. Preliminary experiments on synthetic community graphs show that message error decreases, while classification accuracy increases slightly, as the edge budget grows, and performance of the hybrid sampler is in between of optimal selection uniform random sampling. We leave multi-step propagation and evaluation on larger and real graphs for future work.
- Abstract(参考訳): 本稿では,エッジサンプリングを用いたグラフニューラルネットワークにおけるワンステップ組合せラプラシアンメッセージを近似する方法について検討する。
本研究では,特徴条件付きメッセージスコアと有効抵抗レバレッジスコアを組み合わせることで,期待する1ステップのメッセージエラーを導出し,与えられたエッジ予算に対して最適なサンプリング確率とエラーフロンティアを求める。
合成コミュニティグラフに関する予備実験では、メッセージエラーは減少するが、分類精度は、エッジ予算が増加するにつれてわずかに増加し、ハイブリッドサンプリング器の性能は最適な選択ランダムサンプリングの間にある。
今後の作業のために,多段階の伝搬と,より大規模で実際のグラフの評価を残します。
関連論文リスト
- Halve-Then-Greedy: Adaptive Sampling for Posterior Success with Near-Optimal Instance Dependence [55.397453239422084]
提案する設計の平均性能が目標を超えるという十分な事前証拠を得る確率を最大化することを目的とした固定予算適応実験について検討した。
ガウシアン以前のガウシアン・バンディットに対しては,大規模な初期均衡割り当て,逐次半減算,後グレーディサンプリングを組み合わせたEmphHalve-Then-Greedy (HTG)を提案する。
非好ましくない腕からの分離と、複数の好ましくない腕の存在の両方を捉えた後障害確率に対する、例依存的有限予算指数的境界を証明した。
論文 参考訳(メタデータ) (2026-10-14T22:33:06Z) - Efficiently Generating Correlated Sample Paths from Multi-step Time Series Foundation Models [66.60042743462175]
時系列基礎モデルから正確な相関サンプルパスを効率的に生成するためのコプラに基づく手法を提案する。
提案手法は, 自己回帰サンプリングよりもはるかに高速に相関したサンプルパスを生成する。
論文 参考訳(メタデータ) (2025-10-02T17:08:58Z) - Neural Optimal Transport Meets Multivariate Conformal Prediction [58.43397908730771]
条件付きベクトル回帰(CVQR)のためのフレームワークを提案する。
CVQRは、ニューラルネットワークの最適輸送と量子化された最適化を組み合わせて、予測に適用する。
論文 参考訳(メタデータ) (2025-09-29T19:50:19Z) - The Transferability of Downsamped Sparse Graph Convolutional Networks [12.629928166637]
スパースランダムグラフモデルに基づく新しいダウンサンプリング手法を導入し、転送エラーに対する期待上界を導出する。
その結果,より小さいグラフサイズ,高い平均度,サンプリング率の増加が,この上限値の低減に寄与していることがわかった。
このモデルに空間的類似性と空間的類似性の両方を組み込むことにより、大規模なスパースグラフのトレーニングにおいて、ダウンサンプリングのための転送誤差の上限を確立する。
論文 参考訳(メタデータ) (2024-08-30T13:19:20Z) - Improving Gradient-guided Nested Sampling for Posterior Inference [47.08481529384556]
本稿では,パフォーマンス,汎用的勾配誘導型ネストサンプリングアルゴリズム,$tt GGNS$を提案する。
後部分布から大量の高品質なサンプルを得るために,ネストサンプリングと生成フローネットワークを組み合わせる可能性を示す。
論文 参考訳(メタデータ) (2023-12-06T21:09:18Z) - Calibrate and Debias Layer-wise Sampling for Graph Convolutional
Networks [39.56471534442315]
本稿では,行列近似の観点からアプローチを再考する。
本稿では,サンプリング確率と効率的なデバイアスアルゴリズムを構築するための新しい原理を提案する。
改良は、推定分散の広範囲な解析と、一般的なベンチマークの実験によって実証される。
論文 参考訳(メタデータ) (2022-06-01T15:52:06Z) - Non-Probability Sampling Network for Stochastic Human Trajectory
Prediction [16.676008193894223]
歩行者の軌跡予測を組み込むためには,マルチモーダルな性質の獲得が不可欠である。
本稿では,従来のランダムサンプリングの代替として,サンプリング空間の均一なカバレッジを確保するQuasi-Carlo法を提案する。
我々は、学習可能なサンプリングネットワークを既存のネットワークに導入し、軌道予測を行う。
論文 参考訳(メタデータ) (2022-03-25T06:41:47Z) - Saliency Grafting: Innocuous Attribution-Guided Mixup with Calibrated
Label Mixing [104.630875328668]
ミックスアップスキームは、強化されたトレーニングサンプルを作成するために、サンプルのペアを混ぜることを提案する。
両世界のベストを捉えた、斬新だがシンプルなミックスアップ版を提示する。
論文 参考訳(メタデータ) (2021-12-16T11:27:48Z) - Bandit Samplers for Training Graph Neural Networks [63.17765191700203]
グラフ畳み込みネットワーク(GCN)の訓練を高速化するために, ばらつきを低減したサンプリングアルゴリズムが提案されている。
これらのサンプリングアルゴリズムは、グラフ注意ネットワーク(GAT)のような固定重みよりも学習重量を含む、より一般的なグラフニューラルネットワーク(GNN)には適用できない。
論文 参考訳(メタデータ) (2020-06-10T12:48:37Z) - Distributed Sketching Methods for Privacy Preserving Regression [54.51566432934556]
ランダム化されたスケッチを利用して、問題の次元を減らし、プライバシを保ち、非同期分散システムにおけるストラグラーレジリエンスを改善します。
従来のスケッチ手法に対する新しい近似保証を導出し、分散スケッチにおけるパラメータ平均化の精度を解析する。
大規模実験によるサーバレスコンピューティングプラットフォームにおける分散スケッチのパフォーマンスについて説明する。
論文 参考訳(メタデータ) (2020-02-16T08:35:48Z)
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。