論文の概要: A Convolutional Neural Network into graph space
- arxiv url: http://arxiv.org/abs/2002.09285v2
- Date: Tue, 25 Feb 2020 12:59:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 06:13:40.663505
- Title: A Convolutional Neural Network into graph space
- Title（参考訳）: 畳み込みニューラルネットワークのグラフ空間への応用
- Authors: Maxime Martineau, Romain Raveaux, Donatello Conte, Gilles Venturini
- Abstract要約: 本稿では,グラフ空間に直接定義した新しい畳み込みニューラルネットワークアーキテクチャを提案する。
我々はそのユーザビリティをバックプロパゲーションの文脈で示す。
グラフ領域の変化と他のユークリッドおよび非ユークリッドの畳み込みアーキテクチャの改善に関して堅牢性を示す。
- 参考スコア（独自算出の注目度）: 11.489187712465327
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Convolutional neural networks (CNNs), in a few decades, have outperformed the
existing state of the art methods in classification context. However, in the
way they were formalised, CNNs are bound to operate on euclidean spaces.
Indeed, convolution is a signal operation that are defined on euclidean spaces.
This has restricted deep learning main use to euclidean-defined data such as
sound or image. And yet, numerous computer application fields (among which
network analysis, computational social science, chemo-informatics or computer
graphics) induce non-euclideanly defined data such as graphs, networks or
manifolds. In this paper we propose a new convolution neural network
architecture, defined directly into graph space. Convolution and pooling
operators are defined in graph domain. We show its usability in a
back-propagation context. Experimental results show that our model performance
is at state of the art level on simple tasks. It shows robustness with respect
to graph domain changes and improvement with respect to other euclidean and
non-euclidean convolutional architectures.
- Abstract（参考訳）: 数十年で、畳み込みニューラルネットワーク(CNN)は、分類コンテキストにおける既存の技術手法の状態を上回りました。
しかし、それらの形式化の過程で、CNNはユークリッド空間で動作することが義務付けられている。
実際、畳み込みはユークリッド空間上で定義される信号演算である。
これは、音や画像などのユークリッド定義データに対するディープラーニングの主な使用を制限する。
しかし、多くのコンピュータ応用分野(ネットワーク分析、計算社会科学、化学情報学、コンピュータグラフィックスなど)は、グラフ、ネットワーク、多様体などの非ユークリッド的に定義されたデータを誘導する。
本稿では,グラフ空間に直接定義した新しい畳み込みニューラルネットワークアーキテクチャを提案する。
畳み込みとプーリング演算子はグラフ領域で定義される。
我々はそのユーザビリティをバックプロパゲーションの文脈で示す。
実験の結果,我々のモデル性能は単純なタスクにおける技術レベルの状態にあることがわかった。
グラフ領域の変化に関する堅牢性を示し、他のユークリッドおよび非ユークリッド畳み込みアーキテクチャに対する改善を示す。
関連論文リスト
- Scalable Graph Compressed Convolutions [68.85227170390864]
ユークリッド畳み込みのための入力グラフのキャリブレーションに置換を適用する微分可能手法を提案する。
グラフキャリブレーションに基づいて,階層型グラフ表現学習のための圧縮畳み込みネットワーク(CoCN)を提案する。
論文 参考訳（メタデータ） (2024-07-26T03:14:13Z) - Hyperbolic Convolutional Neural Networks [14.35618845900589]
データを埋め込みするために非ユークリッド空間を使用すると、より堅牢で説明可能なモデルが得られる。
我々は、データ内の階層をキャプチャする双曲空間の能力は、より良いパフォーマンスをもたらすと仮定する。
論文 参考訳（メタデータ） (2023-08-29T21:20:16Z) - Effects of Data Geometry in Early Deep Learning [16.967930721746672]
ディープニューラルネットワークは、画像からグラフまで、さまざまなタイプのデータ上の関数を、基礎構造によって近似することができる。
ニューラルネットワークが線形関数として振る舞う領域にデータ多様体を分割する。
論文 参考訳（メタデータ） (2022-12-29T17:32:05Z) - Convolutional Neural Networks on Manifolds: From Graphs and Back [122.06927400759021]
本稿では,多様体畳み込みフィルタと点次非線形性からなる多様体ニューラルネットワーク(MNN)を提案する。
要約すると、我々は大きなグラフの極限として多様体モデルに焦点を合わせ、MNNを構築するが、それでもMNNの離散化によってグラフニューラルネットワークを復活させることができる。
論文 参考訳（メタデータ） (2022-10-01T21:17:39Z) - Hyperbolic Graph Neural Networks: A Review of Methods and Applications [55.5502008501764]
グラフニューラルネットワークは、従来のニューラルネットワークをグラフ構造化データに一般化する。
グラフ関連学習におけるユークリッドモデルの性能は、ユークリッド幾何学の表現能力によって依然として制限されている。
近年,木のような構造を持つグラフデータ処理や,ゆるい分布の処理において,双曲空間が人気が高まっている。
論文 参考訳（メタデータ） (2022-02-28T15:08:48Z) - A singular Riemannian geometry approach to Deep Neural Networks II.
Reconstruction of 1-D equivalence classes [78.120734120667]
入力空間における出力多様体内の点の事前像を構築する。
我々は、n-次元実空間から(n-1)-次元実空間へのニューラルネットワークマップの場合の簡易性に焦点をあてる。
論文 参考訳（メタデータ） (2021-12-17T11:47:45Z) - 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) - Autobahn: Automorphism-based Graph Neural Nets [12.029647699164315]
自己同型グラフニューラルネットワーク(Autobahn)を導入する。
Autobahnでは、グラフをサブグラフの集合に分解し、各サブグラフの自己同型群と等価な局所畳み込みを適用する。
Autobahnを分子グラフに適用することで、最先端の結果が得られることを検証します。
論文 参考訳（メタデータ） (2021-03-02T13:34:29Z) - Quaternion Graph Neural Networks [17.10479440152652]
四元グラフニューラルネットワーク(QGNN)を提案し,四元空間内のグラフ表現を学習する。
我々のQGNNは、グラフ分類とノード分類のためのベンチマークデータセットの範囲について、最先端の結果を得る。
論文 参考訳（メタデータ） (2020-08-12T03:41:03Z) - 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)
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。