論文の概要: Simple and Effective Graph Autoencoders with One-Hop Linear Models

• arxiv url: http://arxiv.org/abs/2001.07614v3
• Date: Wed, 17 Jun 2020 09:54:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-07 23:43:27.681903
• Title: Simple and Effective Graph Autoencoders with One-Hop Linear Models
• Title（参考訳）: ワンホップ線形モデルを用いた簡易かつ効果的なグラフオートエンコーダ
• Authors: Guillaume Salha, Romain Hennequin, Michalis Vazirgiannis
• Abstract要約: グラフ畳み込みネットワーク(GCN)エンコーダは、多くのアプリケーションにとって必要以上に複雑であることを示す。 グラフの直近傍(ワンホップ)隣接行列(英語版)(direct neighborhood (one-hop) adjacency matrix) w.r.t. において、より単純で解釈可能な線形モデルで置き換えることを提案する。
• 参考スコア（独自算出の注目度）: 25.37082257457257
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Over the last few years, graph autoencoders (AE) and variational autoencoders (VAE) emerged as powerful node embedding methods, with promising performances on challenging tasks such as link prediction and node clustering. Graph AE, VAE and most of their extensions rely on multi-layer graph convolutional networks (GCN) encoders to learn vector space representations of nodes. In this paper, we show that GCN encoders are actually unnecessarily complex for many applications. We propose to replace them by significantly simpler and more interpretable linear models w.r.t. the direct neighborhood (one-hop) adjacency matrix of the graph, involving fewer operations, fewer parameters and no activation function. For the two aforementioned tasks, we show that this simpler approach consistently reaches competitive performances w.r.t. GCN-based graph AE and VAE for numerous real-world graphs, including all benchmark datasets commonly used to evaluate graph AE and VAE. Based on these results, we also question the relevance of repeatedly using these datasets to compare complex graph AE and VAE.
• Abstract（参考訳）: ここ数年、グラフオートエンコーダ(AE)と変分オートエンコーダ(VAE)は強力なノード埋め込み手法として登場し、リンク予測やノードクラスタリングといった課題に期待できるパフォーマンスを実現した。 グラフAE、VAEおよびそれらの拡張のほとんどは、ノードのベクトル空間表現を学ぶために、多層グラフ畳み込みネットワーク(GCN)エンコーダに依存している。 本稿では,多くのアプリケーションにおいてGCNエンコーダは不要に複雑であることを示す。 グラフの直接近傍(ワンホップ)隣接行列において、演算が少なく、パラメータが少なく、アクティベーション関数が存在しないような、より単純で解釈可能な線形モデルで置き換えることを提案する。 上記の2つのタスクに対して、この単純なアプローチは、多くの実世界のグラフに対して、GCNベースのグラフAEとVAEの競合性能に一貫して到達していることを示す。 これらの結果に基づいて,複雑なグラフ ae と vae を比較するために,これらのデータセットを繰り返し使用することの関連性についても疑問を呈する。

関連論文リスト

• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• MGAE: Masked Autoencoders for Self-Supervised Learning on Graphs [55.66953093401889]
  Masked Graph Autoencoder (MGAE) フレームワークは、グラフ構造データの効果的な学習を行う。 自己指導型学習から洞察を得て、私たちはランダムに大量のエッジを隠蔽し、トレーニング中に欠落したエッジを再構築しようとします。
  論文  参考訳（メタデータ） (2022-01-07T16:48:07Z)
• Node Feature Extraction by Self-Supervised Multi-scale Neighborhood Prediction [123.20238648121445]
  我々は、新しい自己教師型学習フレームワーク、グラフ情報支援ノード機能exTraction (GIANT)を提案する。 GIANT は eXtreme Multi-label Classification (XMC) 形式を利用しており、これはグラフ情報に基づいた言語モデルの微調整に不可欠である。 我々は,Open Graph Benchmarkデータセット上での標準GNNパイプラインよりもGIANTの方が優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-29T19:55:12Z)
• Graph Contrastive Learning Automated [94.41860307845812]
  グラフコントラスト学習(GraphCL)は、有望な表現学習性能とともに登場した。 GraphCLのヒンジがアドホックなデータ拡張に与える影響は、データセット毎に手動で選択する必要がある。 本稿では,グラフデータ上でGraphCLを実行する際に,データ拡張を自動的に,適応的に動的に選択する統合バイレベル最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-10T16:35:27Z)
• Scalable Graph Neural Networks for Heterogeneous Graphs [12.44278942365518]
  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を学習するためのパラメトリックモデルの一般的なクラスである。 最近の研究は、GNNが主に機能をスムースにするためにグラフを使用しており、ベンチマークタスクで競合する結果を示していると主張している。 本研究では、これらの結果が異種グラフに拡張可能かどうかを問うとともに、異なるエンティティ間の複数のタイプの関係を符号化する。
  論文  参考訳（メタデータ） (2020-11-19T06:03:35Z)
• Dirichlet Graph Variational Autoencoder [65.94744123832338]
  本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。 バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
  論文  参考訳（メタデータ） (2020-10-09T07:35:26Z)
• Self-Constructing Graph Convolutional Networks for Semantic Labeling [23.623276007011373]
  本稿では,学習可能な潜伏変数を用いて埋め込みを生成する自己構築グラフ(SCG)を提案する。 SCGは、空中画像中の複雑な形状の物体から、最適化された非局所的なコンテキストグラフを自動的に取得することができる。 本稿では,ISPRS Vaihingen データセット上で提案した SCG の有効性と柔軟性を示す。
  論文  参考訳（メタデータ） (2020-03-15T21:55:24Z)
• Graph Deconvolutional Generation [3.5138314002170192]
  我々は、Erdos-Renyiランダムグラフモデルの現代の等価性、すなわちグラフ変分オートエンコーダ(GVAE)に焦点を当てる。 GVAEは、トレーニング分布のマッチングが困難であり、高価なグラフマッチング手順に依存している。 我々は、GVAEのエンコーダとデコーダにメッセージパッシングニューラルネットワークを構築することにより、このモデルのクラスを改善した。
  論文  参考訳（メタデータ） (2020-02-14T04:37:14Z)
• FastGAE: Scalable Graph Autoencoders with Stochastic Subgraph Decoding [22.114681053198453]
  グラフオートエンコーダ(AE)と可変オートエンコーダ(VAE)は強力なノード埋め込み方式であるが、スケーラビリティの問題に悩まされている。 FastGAEは、数百万のノードとエッジを持つ巨大なグラフにグラフAEとVAEをスケールするための一般的なフレームワークである。
  論文  参考訳（メタデータ） (2020-02-05T18:27:39Z)
• Revisiting Graph based Collaborative Filtering: A Linear Residual Graph Convolutional Network Approach [55.44107800525776]
  グラフ畳み込みネットワーク(GCN)は、最先端のグラフベースの表現学習モデルである。 本稿では、GCNベースの協調フィルタリング(CF)ベースのレコメンダシステム(RS)について再検討する。 単純なグラフ畳み込みネットワークの理論と整合して,非線形性を取り除くことで推奨性能が向上することを示す。 本稿では,ユーザ・イテム相互作用モデリングを用いたCF用に特別に設計された残差ネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2020-01-28T04:41:25Z)

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。