Fugu-MT 論文翻訳(概要): Theoretically Expressive and Edge-aware Graph Learning

論文の概要: Theoretically Expressive and Edge-aware Graph Learning

arxiv url: http://arxiv.org/abs/2001.09005v1
Date: Fri, 24 Jan 2020 13:43:39 GMT
ステータス: 処理完了
システム内更新日: 2023-01-07 04:39:29.934532
Title: Theoretically Expressive and Edge-aware Graph Learning
Title（参考訳）: 理論的に表現力とエッジアウェアグラフ学習
Authors: Federico Errica, Davide Bacciu, Alessio Micheli
Abstract要約: この分野における最近の進歩と組み合わせた新しいグラフニューラルネットワークを提案する。我々は,このモデルがグラフ同型ネットワークやグラフニューラルネットワークよりも厳密に一般化されていることを証明した。
参考スコア（独自算出の注目度）: 24.954342094176013
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a new Graph Neural Network that combines recent advancements in the field. We give theoretical contributions by proving that the model is strictly more general than the Graph Isomorphism Network and the Gated Graph Neural Network, as it can approximate the same functions and deal with arbitrary edge values. Then, we show how a single node information can flow through the graph unchanged.
Abstract（参考訳）: この分野における最近の進歩と組み合わせた新しいグラフニューラルネットワークを提案する。モデルがグラフ同型ネットワークやGated Graph Neural Networkよりも厳密に一般的なことを証明し、同じ関数を近似し、任意のエッジ値を扱うことができることを証明して理論的貢献を与える。次に,単一ノード情報がどのようにグラフ内を流れるかを示す。

関連論文リスト

Uplifting the Expressive Power of Graph Neural Networks through Graph Partitioning [3.236774847052122]
グラフ分割のレンズによるグラフニューラルネットワークの表現力について検討する。我々は新しいGNNアーキテクチャ、すなわちグラフ分割ニューラルネットワーク(GPNN)を導入する。
論文参考訳（メタデータ） (2023-12-14T06:08:35Z)
Boosting Graph Structure Learning with Dummy Nodes [41.83708114701956]
グラフカーネルとグラフニューラルネットワークをダミーノードで拡張し、グラフ分類とサブグラフ同型マッチングタスクの実験を行う。このようなダミーノードは、効率的な一様エッジ-頂点変換とエピモルフィック逆を構築し、元のグラフを復元するのに役立つことを証明している。
論文参考訳（メタデータ） (2022-06-17T05:44:24Z)
Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文参考訳（メタデータ） (2022-05-19T14:08:15Z)
GraphSVX: Shapley Value Explanations for Graph Neural Networks [81.83769974301995]
グラフニューラルネットワーク(GNN)は、幾何データに基づく様々な学習タスクにおいて大きな性能を発揮する。本稿では,既存のGNN解説者の多くが満足する統一フレームワークを提案する。 GNN用に特別に設計されたポストホックローカルモデル非依存説明法であるGraphSVXを紹介します。
論文参考訳（メタデータ） (2021-04-18T10:40:37Z)
Learning Graph Representations [0.0]
グラフニューラルネットワーク(GNN)は、大きな動的グラフデータセットに対する洞察を得るための効率的な方法である。本稿では,グラフ畳み込みニューラルネットワークのオートエンコーダとソーシャル・テンポラル・グラフ・ニューラルネットワークについて論じる。
論文参考訳（メタデータ） (2021-02-03T12:07:55Z)
Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文参考訳（メタデータ） (2020-07-18T01:11:14Z)
Natural Graph Networks [80.77570956520482]
より一般的な自然性の概念がグラフネットワークを適切に定義するのに十分であることを示す。グローバルおよびローカルな自然グラフネットワークを定義し、後者は従来のメッセージパッシンググラフニューラルネットワークと同じくらいスケーラブルである。
論文参考訳（メタデータ） (2020-07-16T14:19:06Z)
Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
論文参考訳（メタデータ） (2020-06-19T13:09:44Z)
Geometrically Principled Connections in Graph Neural Networks [66.51286736506658]
我々は、幾何学的深層学習の新興分野におけるイノベーションの原動力は、幾何が依然として主要な推進力であるべきだと論じている。グラフニューラルネットワークとコンピュータグラフィックスとデータ近似モデルとの関係:放射基底関数(RBF) 完全連結層とグラフ畳み込み演算子を組み合わせた新しいビルディングブロックであるアフィンスキップ接続を導入する。
論文参考訳（メタデータ） (2020-04-06T13:25:46Z)
Convolutional Kernel Networks for Graph-Structured Data [37.13712126432493]
我々は,多層グラフカーネルのファミリーを導入し,グラフ畳み込みニューラルネットワークとカーネルメソッドの新たなリンクを確立する。提案手法は,グラフをカーネル特徴写像の列として表現することにより,畳み込みカーネルネットワークをグラフ構造データに一般化する。我々のモデルは、大規模データに対してエンドツーエンドでトレーニングすることもでき、新しいタイプのグラフ畳み込みニューラルネットワークをもたらす。
論文参考訳（メタデータ） (2020-03-11T09:44:03Z)

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。