論文の概要: Graph Deconvolutional Generation
- arxiv url: http://arxiv.org/abs/2002.07087v1
- Date: Fri, 14 Feb 2020 04:37:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-01 04:13:40.159637
- Title: Graph Deconvolutional Generation
- Title(参考訳): グラフデコンボリューション生成
- Authors: Daniel Flam-Shepherd, Tony Wu and Alan Aspuru-Guzik
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 3.5138314002170192
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph generation is an extremely important task, as graphs are found
throughout different areas of science and engineering. In this work, we focus
on the modern equivalent of the Erdos-Renyi random graph model: the graph
variational autoencoder (GVAE). This model assumes edges and nodes are
independent in order to generate entire graphs at a time using a multi-layer
perceptron decoder. As a result of these assumptions, GVAE has difficulty
matching the training distribution and relies on an expensive graph matching
procedure. We improve this class of models by building a message passing neural
network into GVAE's encoder and decoder. We demonstrate our model on the
specific task of generating small organic molecules
- Abstract(参考訳): グラフ生成は非常に重要なタスクであり、グラフは科学と工学のさまざまな領域で見られる。
本研究では,Erdos-Renyiランダムグラフモデルであるグラフ変分オートエンコーダ(GVAE)の現代的な等価性に着目した。
このモデルは、エッジとノードが独立であると仮定し、マルチ層パーセプトロンデコーダを用いてグラフ全体を生成する。
これらの仮定の結果、GVAEはトレーニング分布の一致が困難であり、高価なグラフマッチング手法に依存している。
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。
私たちは小さな有機分子を 生成する特定のタスクをモデルで示します
関連論文リスト
- Efficient and Degree-Guided Graph Generation via Discrete Diffusion
Modeling [20.618785908770356]
拡散に基づく生成グラフモデルは高品質の小さなグラフを生成するのに有効であることが証明されている。
しかし、グラフ統計を推奨する何千ものノードを含む巨大なグラフを生成するには、よりスケーラブルである必要がある。
本稿では,大きなグラフを持つ生成タスクに対処する新しい拡散型生成グラフモデルであるEDGEを提案する。
論文 参考訳(メタデータ) (2023-05-06T18:32:27Z) - Graph Generation with Diffusion Mixture [64.94970275833258]
グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。
本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
論文 参考訳(メタデータ) (2023-02-07T17:07:46Z) - Training Graph Neural Networks on Growing Stochastic Graphs [114.75710379125412]
グラフニューラルネットワーク(GNN)は、ネットワーク化されたデータの意味のあるパターンを活用するために、グラフ畳み込みに依存している。
我々は,成長するグラフ列の極限オブジェクトであるグラフオンを利用して,非常に大きなグラフ上のGNNを学習することを提案する。
論文 参考訳(メタデータ) (2022-10-27T16:00:45Z) - Synthetic Graph Generation to Benchmark Graph Learning [7.914804101579097]
グラフ学習アルゴリズムは多くのグラフ解析タスクで最先端のパフォーマンスを達成した。
1つの理由は、グラフ学習アルゴリズムのパフォーマンスをベンチマークするために実際に使用されるデータセットが極めて少ないためである。
本稿では,合成グラフの生成と,制御シナリオにおけるグラフ学習アルゴリズムの挙動について検討する。
論文 参考訳(メタデータ) (2022-04-04T10:48:32Z) - 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) - GraphGen-Redux: a Fast and Lightweight Recurrent Model for labeled Graph
Generation [13.956691231452336]
ラベル付きグラフ生成のための新しいグラフ前処理手法を提案する。
新たなグラフ前処理手法を導入することで,ノードとエッジのラベル付け情報を共同で処理することができる。
GraphGen-Reduxと呼ばれる対応するモデルは、幅広いデータセットにおけるGraphGenの生成パフォーマンスを改善します。
論文 参考訳(メタデータ) (2021-07-18T09:26:10Z) - Learning Graphon Autoencoders for Generative Graph Modeling [91.32624399902755]
Graphonは任意のサイズでグラフを生成する非パラメトリックモデルであり、グラフから簡単に誘導できる。
解析可能でスケーラブルなグラフ生成モデルを構築するために,textitgraphon autoencoder という新しいフレームワークを提案する。
線形グルーポン分解モデルはデコーダとして機能し、潜在表現を活用して誘導されたグルーポンを再構成する。
論文 参考訳(メタデータ) (2021-05-29T08:11:40Z) - 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) - Adaptive Graph Auto-Encoder for General Data Clustering [90.8576971748142]
グラフベースのクラスタリングは、クラスタリング領域において重要な役割を果たす。
グラフ畳み込みニューラルネットワークに関する最近の研究は、グラフ型データにおいて驚くべき成功を収めている。
本稿では,グラフの生成的視点に応じて適応的にグラフを構成する汎用データクラスタリングのためのグラフ自動エンコーダを提案する。
論文 参考訳(メタデータ) (2020-02-20T10:11:28Z)
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。