[論文レビュー] Bridging Distance and Spectral Positional Encodings via Anchor-Based Diffusion Geometry Approximation

Zimo Yan, Zheng Xie+3 more|arXiv (Cornell University)|Jan 8, 2026

Advanced Graph Neural Networks被引用数 0

ひとこと要約

要約: 論文はアンカーベース距離エンコードと切り捨て拡散/スペクトル座標の間に代数的な橋渡しを formalize し、再構成保証を証明し、距離ベースの Nyström 近似が拡散幾何を密接に回復することを示す。DDI タスクで NoPE ベースラインより性能が向上した。

ABSTRACT

Molecular graph learning benefits from positional signals that capture both local neighborhoods and global topology. Two widely used families are spectral encodings derived from Laplacian or diffusion operators and anchor-based distance encodings built from shortest-path information, yet their precise relationship is poorly understood. We interpret distance encodings as a low-rank surrogate of diffusion geometry and derive an explicit trilateration map that reconstructs truncated diffusion coordinates from transformed anchor distances and anchor spectral positions, with pointwise and Frobenius-gap guarantees on random regular graphs. On DrugBank molecular graphs using a shared GNP-based DDI prediction backbone, a distance-driven Nyström scheme closely recovers diffusion geometry, and both Laplacian and distance encodings substantially outperform a no-encoding baseline.

研究の動機と目的

• アンカーに基づく距離エンコードが分子グラフの拡散幾何とどのように関連するかを動機づけ、形式化する。
• 変換されたアンカー距離から切り捨て拡散座標を再構成する明示的な trilateration マップを導出する。
• ランダム正則グラフ仮定の下で点ごとおよび Frobenius-gap の誤差保証を提供する。
• DrugBank グラフ上で距離ベースの Nyström 近似が拡散幾何を回復できることを実証する。
• 共通の GNP バックボーンを用いた薬剤同士相互作用予測における距離/ラプラシアンエンコードの影響を評価する。

提案手法

• 2 種類の位置エンコーディングファミリーを定義する：アンカー基底の距離エンコードと切り捨てラプラシアンスペクトル座標。
• アンカー座標を用いた距離特徴からスペクトル座標へ写像する明示的 trilateration 演算子を開発する。
• ローカル単調距離結合を持つランダム正則グラフモデルの下で点ごとおよび Frobenius-gap の誤差境界を証明する。
• DrugBank グラフ上で距離駆動の Nyström 手法を用いて拡散幾何を近似し、カーネル/埋め込みの精度を評価する。
• NoPE、距離エンコード (DE)、ラプラニアン PE (LapPE)を共有の Graph Neural Process バックボーン内で DDI 予測に対して実証的に比較する。

実験結果

リサーチクエスチョン

• RQ1 変換されたアンカー距離エンコードから切り捨て拡散座標への明示的な代数マップを、誤差保証とともに構築できるか。
• RQ2 距離エンコードが拡散幾何を正確に近似するグラフ条件は何か、再構成誤差はどの程度か。
• RQ3 距離ベースの Nyström 近似は実際の分子グラフ上で拡散幾何を密に回復しますか。
• RQ4 NoPE、距離エンコード、ラプラニアン PE は下流の DDI 予測性能にどのような影響を及ぼすか。
• RQ5 ランダム正則グラフ設定における距離エンコーディングの表現能力は NoPE に対してどの程度向上するか。

主な発見

Dataset	Method	Test AUROC	Test F1
DrugBank	NoPE	0.890 ± 0.002	0.820 ± 0.003
DrugBank	DE	0.976 ± 0.002	0.927 ± 0.004
DrugBank	LapPE	0.980 ± 0.003	0.934 ± 0.006
ChCh-Miner	NoPE	0.938 ± 0.003	0.870 ± 0.002
ChCh-Miner	DE	0.938 ± 0.006	0.869 ± 0.004
ChCh-Miner	LapPE	0.946 ± 0.002	0.879 ± 0.003

• ラプラシアンと距離エンコードの双方が DDI 予測においてエンコードなしのベースラインより改善をもたらし、LapPE が最も一貫したゲインを提供する。
• DrugBank での結果：NoPE/AUC/F1=0.890/0.820、DE=0.976/0.927、LapPE=0.980/0.934（AUROC/F1）。
• ChCh-Miner での結果：NoPE=0.938/0.870、DE=0.938/0.869、LapPE=0.946/0.879（AUROC/F1）。
• アンカー主導の Nyström 近似は DrugBank 上で拡散幾何を正確に回復し、カーネル Frobenius 誤差の相対値は約 0.024、座標の MSE は約 3.9e-4。
• 理論的保証として、ランダム正則グラフ仮定の下で点ごとおよび Frobenius-gap の再構成境界を示す。
• 距離変換とアンカー数を変えると性能に影響があり、単調適合（等比定数の順序的リンク）により SPD と拡散距離の間の良いモノトーン結びつきが得られる。