論文の概要: Differentiable Graph Module (DGM) for Graph Convolutional Networks

• arxiv url: http://arxiv.org/abs/2002.04999v4
• Date: Fri, 13 May 2022 10:41:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 01:35:53.956571
• Title: Differentiable Graph Module (DGM) for Graph Convolutional Networks
• Title（参考訳）: グラフ畳み込みネットワークのための微分可能グラフモジュール(DGM)
• Authors: Anees Kazi, Luca Cosmo, Seyed-Ahmad Ahmadi, Nassir Navab and Michael Bronstein
• Abstract要約: Differentiable Graph Module (DGM) は、下流タスクに最適なグラフのエッジ確率を予測する学習可能な関数である。 医療分野(退院予測)、脳画像(年齢予測)、コンピュータグラフィックス(3Dポイントクラウドセグメンテーション)、コンピュータビジョン(ゼロショット学習)の応用を幅広く評価する。
• 参考スコア（独自算出の注目度）: 44.26665239213658
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph deep learning has recently emerged as a powerful ML concept allowing to generalize successful deep neural architectures to non-Euclidean structured data. Such methods have shown promising results on a broad spectrum of applications ranging from social science, biomedicine, and particle physics to computer vision, graphics, and chemistry. One of the limitations of the majority of current graph neural network architectures is that they are often restricted to the transductive setting and rely on the assumption that the underlying graph is {\em known} and {\em fixed}. Often, this assumption is not true since the graph may be noisy, or partially and even completely unknown. In such cases, it would be helpful to infer the graph directly from the data, especially in inductive settings where some nodes were not present in the graph at training time. Furthermore, learning a graph may become an end in itself, as the inferred structure may provide complementary insights next to the downstream task. In this paper, we introduce Differentiable Graph Module (DGM), a learnable function that predicts edge probabilities in the graph which are optimal for the downstream task. DGM can be combined with convolutional graph neural network layers and trained in an end-to-end fashion. We provide an extensive evaluation of applications from the domains of healthcare (disease prediction), brain imaging (age prediction), computer graphics (3D point cloud segmentation), and computer vision (zero-shot learning). We show that our model provides a significant improvement over baselines both in transductive and inductive settings and achieves state-of-the-art results.
• Abstract（参考訳）: グラフディープラーニングは、成功しているディープニューラルネットワークアーキテクチャを非ユークリッド構造化データに一般化できる強力なml概念として最近登場した。 このような手法は、社会科学、生物医学、素粒子物理学からコンピュータビジョン、グラフィックス、化学まで幅広い応用分野において有望な結果を示している。 現在のグラフニューラルネットワークアーキテクチャの大多数の制限の1つは、それらはしばしばトランスダクティブな設定に制限され、基礎となるグラフが {\em known} かつ {\em fixed} であるという仮定に依存していることである。 しばしば、この仮定は、グラフが騒がしいか、部分的に、あるいは完全に未知であるかもしれないため、正しくない。 そのような場合、特にトレーニング時にグラフにいくつかのノードが存在しない帰納的設定において、データから直接グラフを推測するのに役立つだろう。 さらに、グラフの学習は、推論された構造が下流タスクの横で補完的な洞察を提供するため、それ自体が終わりになる可能性がある。 本稿では,ダウンストリームタスクに最適なグラフのエッジ確率を予測する学習可能な関数である微分可能グラフモジュール(dgm)を提案する。 dgmは畳み込みグラフニューラルネットワーク層と組み合わせて、エンドツーエンドでトレーニングすることができる。 医療分野(ダイザイス予測)、脳画像(年齢予測)、コンピュータグラフィックス(3dポイントクラウドセグメンテーション)、コンピュータビジョン(ゼロショット学習)のアプリケーションから幅広い評価を行う。 本モデルは,トランスダクティブ設定とインダクティブ設定の両方において,ベースラインよりも大幅に改善され,最先端の結果が得られることを示す。

関連論文リスト

• State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
  グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。 グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。 ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
  論文  参考訳（メタデータ） (2023-01-14T09:15:49Z)
• 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)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• Graph Kernel Neural Networks [53.91024360329517]
  本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。 これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。 私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
  論文  参考訳（メタデータ） (2021-12-14T14:48:08Z)
• 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)
• Generating a Doppelganger Graph: Resembling but Distinct [5.618335078130568]
  本論文では,与えられたグラフ特性に類似したドッペルガンガーグラフを生成する手法を提案する。 このアプローチは、グラフ表現学習、生成的敵ネットワーク、およびグラフ実現アルゴリズムのオーケストレーションである。
  論文  参考訳（メタデータ） (2021-01-23T22:08:27Z)
• Graph Contrastive Learning with Augmentations [109.23158429991298]
  グラフデータの教師なし表現を学習するためのグラフコントラスト学習(GraphCL)フレームワークを提案する。 我々のフレームワークは、最先端の手法と比較して、類似またはより良い一般化可能性、転送可能性、堅牢性のグラフ表現を作成できることを示す。
  論文  参考訳（メタデータ） (2020-10-22T20:13:43Z)
• Unsupervised Graph Representation by Periphery and Hierarchical Information Maximization [18.7475578342125]
  グラフニューラルネットワークの発明により、ベクトル空間におけるノードとグラフ全体の表現の最先端性が向上した。 グラフ表現全体について、既存のグラフニューラルネットワークの大部分は、教師付き方法でグラフ分類損失に基づいてトレーニングされている。 本稿では,グラフ全体のベクトル表現を生成するための教師なしグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-06-08T15:50:40Z)
• Latent-Graph Learning for Disease Prediction [44.26665239213658]
  我々は,GCNの下流における疾患分類の課題に向けて,一つの最適なグラフを学習することが可能であることを示す。 一般的に用いられているスペクトルGCNアプローチとは異なり、我々のGCNは空間的かつ誘導的であり、これまで見られなかった患者も推測できる。
  論文  参考訳（メタデータ） (2020-03-27T08:18:01Z)

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。