Fugu-MT 論文翻訳(概要): Feature-Attention Graph Convolutional Networks for Noise Resilient Learning

論文の概要: Feature-Attention Graph Convolutional Networks for Noise Resilient Learning

arxiv url: http://arxiv.org/abs/1912.11755v1
Date: Thu, 26 Dec 2019 02:51:55 GMT
ステータス: 処理完了
システム内更新日: 2023-06-10 08:39:01.517577
Title: Feature-Attention Graph Convolutional Networks for Noise Resilient Learning
Title（参考訳）: 雑音耐性学習のための特徴注意グラフ畳み込みネットワーク
Authors: Min Shi, Yufei Tang, Xingquan Zhu and Jianxun Liu
Abstract要約: 本稿では,ノイズの多いノード内容のネットワークを扱うための特徴注意グラフ畳み込み学習フレームワークであるFA-GCNを提案する。実験と検証、すなわち異なるノイズレベルは、FA-GCNがノイズのないネットワークとノイズのないネットワークの両方で最先端の手法よりも優れた性能を発揮することを示した。
参考スコア（独自算出の注目度）: 20.059242373860013
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Noise and inconsistency commonly exist in real-world information networks, due to inherent error-prone nature of human or user privacy concerns. To date, tremendous efforts have been made to advance feature learning from networks, including the most recent Graph Convolutional Networks (GCN) or attention GCN, by integrating node content and topology structures. However, all existing methods consider networks as error-free sources and treat feature content in each node as independent and equally important to model node relations. The erroneous node content, combined with sparse features, provide essential challenges for existing methods to be used on real-world noisy networks. In this paper, we propose FA-GCN, a feature-attention graph convolution learning framework, to handle networks with noisy and sparse node content. To tackle noise and sparse content in each node, FA-GCN first employs a long short-term memory (LSTM) network to learn dense representation for each feature. To model interactions between neighboring nodes, a feature-attention mechanism is introduced to allow neighboring nodes learn and vary feature importance, with respect to their connections. By using spectral-based graph convolution aggregation process, each node is allowed to concentrate more on the most determining neighborhood features aligned with the corresponding learning task. Experiments and validations, w.r.t. different noise levels, demonstrate that FA-GCN achieves better performance than state-of-the-art methods on both noise-free and noisy networks.
Abstract（参考訳）: ノイズと不整合は、人間のプライバシーやユーザーのプライバシーに固有のエラーが発生するため、現実世界の情報ネットワークに一般的に存在する。これまで、ノードの内容とトポロジ構造を統合することで、最新のGraph Convolutional Networks(GCN)や注目GCNなど、機能学習をネットワークから進めるための大きな努力が続けられてきた。しかし、既存の手法はすべてネットワークをエラーのないソースとみなし、各ノードの機能内容は独立であり、ノード関係のモデル化に等しく重要であるとして扱う。誤ったノードコンテンツとスパース機能を組み合わせることで、実世界のノイズの多いネットワークで使用される既存のメソッドに不可欠な課題を提供する。本稿では,ノイズの多いノード内容のネットワークを扱うための特徴注意グラフ畳み込み学習フレームワークであるFA-GCNを提案する。各ノードのノイズやスパースコンテンツに対処するため、fa-gcnはまずlong short-term memory (lstm) ネットワークを使用して、各特徴の密表現を学ぶ。隣接ノード間の相互作用をモデル化するために、隣接ノードが接続に関して特徴の重要性を学習し、変化させることができる機能アテンション機構が導入された。スペクトルベースのグラフ畳み込み集約プロセスを用いることで、各ノードは、対応する学習課題に対応する最も決定的な近傍特徴に集中することができる。実験と検証、すなわち異なるノイズレベルは、FA-GCNがノイズのないネットワークとノイズのないネットワークの両方で最先端の手法よりも優れた性能を発揮することを示した。

関連論文リスト

NetDiff: Deep Graph Denoising Diffusion for Ad Hoc Network Topology Generation [1.6768151308423371]
本稿では,無線アドホックネットワークリンクトポロジを生成する拡散確率的アーキテクチャを記述したグラフであるNetDiffを紹介する。この結果から,生成したリンクは現実的であり,データセットグラフに類似した構造的特性を有しており,操作するには小さな修正と検証ステップのみが必要であることがわかった。
論文参考訳（メタデータ） (2024-10-09T15:39:49Z)
Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
論文参考訳（メタデータ） (2023-07-22T04:52:27Z)
GRAF: Graph Attention-aware Fusion Networks [0.0]
現実世界のネットワークには、複数のタイプのノードとエッジが含まれる。グラフニューラルネットワーク(GNN)は、下流機械学習タスクのためのノードとグラフの埋め込みを生成するためのディープラーニングフレームワークとして登場した。本稿では,複数のネットワークにおけるGNNベースのアプローチを利用したGRAF (Graph Attention-aware Fusion Networks) という計算手法を提案する。
論文参考訳（メタデータ） (2023-03-29T15:17:05Z)
Robust Knowledge Adaptation for Dynamic Graph Neural Networks [61.8505228728726]
動的グラフニューラルネットワークのための強化学習による堅牢な知識適応フレームワークであるAda-DyGNNを提案する。我々のアプローチは、強化学習による堅牢な知識適応を探求する最初の試みである。 3つのベンチマークデータセットの実験は、Ada-DyGNNが最先端のパフォーマンスを達成することを示した。
論文参考訳（メタデータ） (2022-07-22T02:06:53Z)
SSSNET: Semi-Supervised Signed Network Clustering [4.895808607591299]
SSSNETと呼ばれる半教師付きネットワーククラスタリングのためのGNNフレームワークにおいて、トレーニングノードに対する確率的バランスの取れた正規化カット損失を新たに導入する。主な斬新なアプローチは、署名されたネットワーク埋め込みにおける社会的バランス理論の役割に関する新しい見解である。
論文参考訳（メタデータ） (2021-10-13T10:36:37Z)
Node2Seq: Towards Trainable Convolutions in Graph Neural Networks [59.378148590027735]
今回提案するグラフネットワーク層であるNode2Seqは,隣接ノードの重みを明示的に調整可能なノード埋め込みを学習する。対象ノードに対して,当手法は注意メカニズムを介して隣接ノードをソートし,さらに1D畳み込みニューラルネットワーク(CNN)を用いて情報集約のための明示的な重み付けを行う。また, 特徴学習のための非局所的情報を, 注意スコアに基づいて適応的に組み込むことを提案する。
論文参考訳（メタデータ） (2021-01-06T03:05:37Z)
NCGNN: Node-level Capsule Graph Neural Network [45.23653314235767]
ノードレベルカプセルグラフニューラルネットワーク(ncgnn)は、ノードをカプセル群として表現する。凝集に適したカプセルを適応的に選択する新しい動的ルーティング手法を開発した。 NCGNNは、過度にスムースな問題に対処でき、分類のためのより良いノード埋め込みを生成することで、芸術の状態を上回ります。
論文参考訳（メタデータ） (2020-12-07T06:46:17Z)
Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文参考訳（メタデータ） (2020-11-26T14:43:04Z)
AM-GCN: Adaptive Multi-channel Graph Convolutional Networks [85.0332394224503]
グラフ畳み込みネットワーク(GCN)は,豊富な情報を持つ複雑なグラフにおいて,ノードの特徴と位相構造を最適に統合できるかどうかを検討する。半教師付き分類(AM-GCN)のための適応型マルチチャネルグラフ畳み込みネットワークを提案する。実験の結果,AM-GCNはノードの特徴とトポロジ的構造の両方から最も相関性の高い情報を抽出することがわかった。
論文参考訳（メタデータ） (2020-07-05T08:16:03Z)
Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。 GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
論文参考訳（メタデータ） (2020-06-23T04:13:23Z)

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。