論文の概要: Edge-based sequential graph generation with recurrent neural networks
- arxiv url: http://arxiv.org/abs/2002.00102v1
- Date: Fri, 31 Jan 2020 23:44:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-05 05:54:31.469559
- Title: Edge-based sequential graph generation with recurrent neural networks
- Title(参考訳): リカレントニューラルネットワークを用いたエッジベースシーケンシャルグラフ生成
- Authors: Davide Bacciu, Alessio Micheli, Marco Podda
- Abstract要約: 本稿では,グラフの生成過程をノードオーダ処理に依存するシーケンシャルにキャストすることを提案する。
このシーケンシャルなプロセスを用いて、グラフのエッジを予測する2つの繰り返しニューラルネットワークからなる新しい生成モデルを設計する。
- 参考スコア(独自算出の注目度): 21.258861822241272
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph generation with Machine Learning is an open problem with applications
in various research fields. In this work, we propose to cast the generative
process of a graph into a sequential one, relying on a node ordering procedure.
We use this sequential process to design a novel generative model composed of
two recurrent neural networks that learn to predict the edges of graphs: the
first network generates one endpoint of each edge, while the second network
generates the other endpoint conditioned on the state of the first. We test our
approach extensively on five different datasets, comparing with two well-known
baselines coming from graph literature, and two recurrent approaches, one of
which holds state of the art performances. Evaluation is conducted considering
quantitative and qualitative characteristics of the generated samples. Results
show that our approach is able to yield novel, and unique graphs originating
from very different distributions, while retaining structural properties very
similar to those in the training sample. Under the proposed evaluation
framework, our approach is able to reach performances comparable to the current
state of the art on the graph generation task.
- Abstract(参考訳): 機械学習によるグラフ生成は、様々な研究分野で応用されるオープン問題である。
そこで本研究では,ノード順序付け手順に依拠して,グラフ生成プロセスを逐次処理にキャストする手法を提案する。
このシーケンシャルなプロセスを用いて、2つのリカレントニューラルネットワークからなる新しい生成モデルを設計し、グラフのエッジを予測し、第1のネットワークは各エッジの1つのエンドポイントを生成し、第2のネットワークは第1の状態に条件付けられた他のエンドポイントを生成する。
我々は5つの異なるデータセットに対して、グラフ文献から得られる2つのよく知られたベースラインと、2つの反復的なアプローチを比較した。
生成した試料の定量的および定性的特性を考慮した評価を行った。
結果から,本手法は,学習サンプルと非常によく似た構造を保ちながら,非常に異なる分布から生じる特異なグラフが得られることが示された。
提案した評価フレームワークにより,提案手法は,グラフ生成タスクにおける最先端技術に匹敵する性能を実現することができる。
関連論文リスト
- GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based
Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。
本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2024-01-17T13:04:23Z) - Discrete Graph Auto-Encoder [52.50288418639075]
離散グラフオートエンコーダ(DGAE)という新しいフレームワークを導入する。
まず、置換同変オートエンコーダを用いてグラフを離散潜在ノード表現の集合に変換する。
2番目のステップでは、離散潜在表現の集合をソートし、特別に設計された自己回帰モデルを用いてそれらの分布を学習する。
論文 参考訳(メタデータ) (2023-06-13T12:40:39Z) - Generative Graph Neural Networks for Link Prediction [13.643916060589463]
欠落したリンクを推測したり、観測されたグラフに基づいて急激なリンクを検出することは、グラフデータ分析における長年の課題である。
本稿では,GraphLPと呼ばれるネットワーク再構成理論に基づく,新しい,根本的に異なるリンク予測アルゴリズムを提案する。
リンク予測に使用される識別ニューラルネットワークモデルとは異なり、GraphLPは生成可能であり、ニューラルネットワークベースのリンク予測の新しいパラダイムを提供する。
論文 参考訳(メタデータ) (2022-12-31T10:07:19Z) - GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。
提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。
第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文 参考訳(メタデータ) (2022-12-01T11:49:07Z) - Hub-aware Random Walk Graph Embedding Methods for Classification [44.99833362998488]
ノード分類問題に特化して設計されたランダムウォークに基づく2つの新しいグラフ埋め込みアルゴリズムを提案する。
提案手法は,実世界のネットワークの埋め込みを訓練した3つの分類アルゴリズムの分類性能を解析して実験的に評価する。
論文 参考訳(メタデータ) (2022-09-15T20:41:18Z) - Learning the Evolutionary and Multi-scale Graph Structure for
Multivariate Time Series Forecasting [50.901984244738806]
時系列の進化的・マルチスケール相互作用をモデル化する方法を示す。
特に、まず、拡張畳み込みと協調して、スケール固有の相関を捉える階層グラフ構造を提供する。
最終的な予測を得るために上記のコンポーネントを統合するために、統合ニューラルネットワークが提供される。
論文 参考訳(メタデータ) (2022-06-28T08:11:12Z) - Similarity-aware Positive Instance Sampling for Graph Contrastive
Pre-training [82.68805025636165]
トレーニングセット内の既存グラフから直接正のグラフインスタンスを選択することを提案する。
私たちの選択は、特定のドメイン固有のペアワイズ類似度測定に基づいています。
さらに,ノードを動的にマスキングしてグラフ上に均等に分配する適応ノードレベルの事前学習手法を開発した。
論文 参考訳(メタデータ) (2022-06-23T20:12:51Z) - Deep Neural Matching Models for Graph Retrieval [0.0]
我々は、グラフマッチングとグラフのコーパスからの類似グラフの検索のためのニューラルネットワークベースのアプローチに焦点を当てる。
2つのグラフ間の類似性をソフトに予測する方法について検討する。
論文 参考訳(メタデータ) (2021-10-03T05:34:46Z) - Temporal Graph Network Embedding with Causal Anonymous Walks
Representations [54.05212871508062]
本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。
評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。
欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
論文 参考訳(メタデータ) (2021-08-19T15:39:52Z) - An Energy-Based View of Graph Neural Networks [0.0]
グラフニューラルネットワークは、グラフ構造化データを扱うニューラルネットワークの一般的な変種である。
本稿では,特徴量と隣接行列を同時に生成するための新しい手法を提案する。
本手法はロバスト性を改善しつつ,同等の判別性能を得る。
論文 参考訳(メタデータ) (2021-04-27T21:54:30Z) - A Unifying Generative Model for Graph Learning Algorithms: Label
Propagation, Graph Convolutions, and Combinations [39.8498896531672]
グラフに関する半教師付き学習は、ネットワーク科学と機械学習において広く適用可能な問題である。
我々は,ノード属性のデータ生成プロセスのためのマルコフ確率場モデルを開発した。
ラベル伝播,線形化グラフ畳み込みネットワーク,それらの組み合わせが条件付き期待値として導出できることを示す。
論文 参考訳(メタデータ) (2021-01-19T17:07:08Z)
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。