Fugu-MT 論文翻訳(概要): Graph Convolutional Gaussian Processes For Link Prediction

論文の概要: Graph Convolutional Gaussian Processes For Link Prediction

arxiv url: http://arxiv.org/abs/2002.04337v1
Date: Tue, 11 Feb 2020 12:12:21 GMT
ステータス: 処理完了
システム内更新日: 2023-01-02 01:26:57.556911
Title: Graph Convolutional Gaussian Processes For Link Prediction
Title（参考訳）: グラフ畳み込みガウス過程によるリンク予測
Authors: Felix L. Opolka, Pietro Li\`o
Abstract要約: リンク予測は、グラフに欠けているエッジを明らかにすることを目的としている。本稿では,グラフ構造ドメイン上に擬似入力を配置する変分誘導点法を提案する。最大数千のノードを持つ8つの大きなグラフ上でモデルを評価し、一貫した改善を報告する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Link prediction aims to reveal missing edges in a graph. We address this task with a Gaussian process that is transformed using simplified graph convolutions to better leverage the inductive bias of the domain. To scale the Gaussian process model to large graphs, we introduce a variational inducing point method that places pseudo inputs on a graph-structured domain. We evaluate our model on eight large graphs with up to thousands of nodes and report consistent improvements over existing Gaussian process models as well as competitive performance when compared to state-of-the-art graph neural network approaches.
Abstract（参考訳）: リンク予測は、グラフの欠落したエッジを明らかにすることを目的としている。我々は、単純グラフ畳み込みを用いて変換されるガウス過程を用いてこの問題に対処し、ドメインの帰納的バイアスをよりよく活用する。ガウス過程モデルを大規模グラフに拡張するために,疑似入力をグラフ構造領域に配置する変分帰納点法を提案する。我々は,何千ものノードを持つ8つの大規模グラフ上でモデルを評価し,既存のガウスプロセスモデルに対する一貫性と最先端のグラフニューラルネットワークアプローチとの競合性能を報告した。

関連論文リスト

Addressing Heterophily in Node Classification with Graph Echo State Networks [11.52174067809364]
ノード分類のためのグラフエコー状態ネットワーク(GESN)を用いた異種グラフの課題に対処する。 GESNはグラフのための貯水池計算モデルであり、ノードの埋め込みは訓練されていないメッセージパッシング関数によって計算される。実験の結果, 貯水池モデルでは, ほぼ完全に訓練された深層モデルに対して, より優れた精度あるいは同等の精度が得られることがわかった。
論文参考訳（メタデータ） (2023-05-14T19:42:31Z)
DiGress: Discrete Denoising diffusion for graph generation [79.13904438217592]
DiGressは、分類ノードとエッジ属性を持つグラフを生成するための離散化拡散モデルである。分子と非分子のデータセットで最先端のパフォーマンスを実現し、最大3倍の妥当性が向上する。また、1.3Mの薬物様分子を含む大規模なGuacaMolデータセットにスケールする最初のモデルでもある。
論文参考訳（メタデータ） (2022-09-29T12:55:03Z)
A Complex Network based Graph Embedding Method for Link Prediction [0.0]
本稿では,人気相似性と地域アトラクションのパラダイムに基づく新しいグラフ埋め込み手法を提案する。実験結果から,提案手法は最先端のグラフ埋め込みアルゴリズムよりも優れていることを示す。
論文参考訳（メタデータ） (2022-09-11T14:46:38Z)
Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
論文参考訳（メタデータ） (2022-06-28T02:10:05Z)
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)
Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
論文参考訳（メタデータ） (2022-02-05T08:21:04Z)
Evolving-Graph Gaussian Processes [20.065168755580558]
既存のアプローチでは静的構造に重点を置いているが、実際のグラフデータの多くは動的構造を表しており、GGPの応用は制限されている。我々はこれを克服するために進化的グラフガウス過程(e-GGP)を提案する。静的グラフガウスプロセスアプローチに対するe-GGPの利点を実証する。
論文参考訳（メタデータ） (2021-06-29T07:16:04Z)
Order Matters: Probabilistic Modeling of Node Sequence for Graph Generation [18.03898476141173]
グラフ生成モデルはグラフ上の分布を定義する。グラフ上の正確な結合確率とシーケンシャルプロセスのノード順序を導出する。我々は,従来の手法のアドホックノード順序を使わずに,この境界を最大化してグラフ生成モデルを訓練する。
論文参考訳（メタデータ） (2021-06-11T06:37:52Z)
Line Graph Neural Networks for Link Prediction [71.00689542259052]
実世界の多くのアプリケーションにおいて古典的なグラフ解析問題であるグラフリンク予測タスクについて検討する。このフォーマリズムでは、リンク予測問題をグラフ分類タスクに変換する。本稿では,線グラフをグラフ理論に用いて,根本的に異なる新しい経路を求めることを提案する。特に、線グラフの各ノードは、元のグラフのユニークなエッジに対応するため、元のグラフのリンク予測問題は、グラフ分類タスクではなく、対応する線グラフのノード分類問題として等価に解決できる。
論文参考訳（メタデータ） (2020-10-20T05:54:31Z)
Wasserstein-based Graph Alignment [56.84964475441094]
我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
論文参考訳（メタデータ） (2020-03-12T22:31:59Z)

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。