論文の概要: Tree++: Truncated Tree Based Graph Kernels

• arxiv url: http://arxiv.org/abs/2002.09846v1
• Date: Sun, 23 Feb 2020 07:07:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 09:27:21.787143
• Title: Tree++: Truncated Tree Based Graph Kernels
• Title（参考訳）: Tree++:Trncated Treeベースのグラフカーネル
• Authors: Wei Ye, Zhen Wang, Rachel Redberg, Ambuj Singh
• Abstract要約: グラフカーネルはグラフをサブ構造に分解し、これらのサブ構造を比較するためにしばしば使用される。 この問題に対処するため,本論文ではTree++と呼ばれる新しいグラフカーネルを提案する。 Tree++は、以前のグラフカーネルと比較して、最高の分類精度を実現している。
• 参考スコア（独自算出の注目度）: 5.819012768798548
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Graph-structured data arise ubiquitously in many application domains. A fundamental problem is to quantify their similarities. Graph kernels are often used for this purpose, which decompose graphs into substructures and compare these substructures. However, most of the existing graph kernels do not have the property of scale-adaptivity, i.e., they cannot compare graphs at multiple levels of granularities. Many real-world graphs such as molecules exhibit structure at varying levels of granularities. To tackle this problem, we propose a new graph kernel called Tree++ in this paper. At the heart of Tree++ is a graph kernel called the path-pattern graph kernel. The path-pattern graph kernel first builds a truncated BFS tree rooted at each vertex and then uses paths from the root to every vertex in the truncated BFS tree as features to represent graphs. The path-pattern graph kernel can only capture graph similarity at fine granularities. In order to capture graph similarity at coarse granularities, we incorporate a new concept called super path into it. The super path contains truncated BFS trees rooted at the vertices in a path. Our evaluation on a variety of real-world graphs demonstrates that Tree++ achieves the best classification accuracy compared with previous graph kernels.
• Abstract（参考訳）: グラフ構造化データは、多くのアプリケーションドメインでユビキタスに発生する。 根本的な問題はそれらの類似性を定量化することである。 グラフカーネルはこの目的のためによく使われ、グラフをサブ構造に分解し、これらのサブ構造と比較する。 しかし、既存のグラフカーネルの多くはスケール適応性の性質を持っていないため、複数のレベルのグラフを比較することはできない。 分子のような現実世界のグラフの多くは、粒度の異なるレベルで構造を示す。 この問題に対処するため,本論文ではTree++と呼ばれる新しいグラフカーネルを提案する。 tree++の中心は、path-pattern graph kernelと呼ばれるグラフカーネルである。 パスパターングラフカーネルは、まず各頂点にルートされた切り出されたBFSツリーを構築し、その後、切り出されたBFSツリーのすべての頂点へのルートをグラフを表現する機能として使用する。 パスパターングラフカーネルは、微細な粒度でのみグラフ類似性をキャプチャできる。 粗粒度でグラフの類似性を捉えるために,スーパーパスと呼ばれる新しい概念を取り入れた。 スーパーパスは、経路の頂点に根付いた切り裂かれたBFS木を含んでいる。 実世界の様々なグラフに対する評価は、Tree++が従来のグラフカーネルと比較して最高の分類精度を達成することを示す。

関連論文リスト

• G-Retriever: Retrieval-Augmented Generation for Textual Graph Understanding and Question Answering [61.93058781222079]
  現実のテキストグラフを対象とするフレキシブルな問合せフレームワークを開発した。 一般のテキストグラフに対する最初の検索拡張生成(RAG)手法を提案する。 G-Retrieverは、このタスクをSteiner Tree最適化問題として定式化し、グラフ上でRAGを実行する。
  論文  参考訳（メタデータ） (2024-02-12T13:13:04Z)
• Finding the Missing-half: Graph Complementary Learning for Homophily-prone and Heterophily-prone Graphs [48.79929516665371]
  ホモフィリーなエッジを持つグラフは、同じクラスでノードを接続する傾向がある。 ヘテロフィ的傾向のあるエッジは、異なるクラスを持つノード間の関係を構築する傾向がある。 既存のGNNはトレーニング中にオリジナルのグラフのみを取る。
  論文  参考訳（メタデータ） (2023-06-13T08:06:10Z)
• Structure-free Graph Condensation: From Large-scale Graphs to Condensed Graph-free Data [91.27527985415007]
  既存のグラフ凝縮法は、凝縮グラフ内のノードと構造の合同最適化に依存している。 我々は、大規模グラフを小さなグラフノード集合に蒸留する、SFGCと呼ばれる新しい構造自由グラフ凝縮パラダイムを提唱する。
  論文  参考訳（メタデータ） (2023-06-05T07:53:52Z)
• Graph Construction using Principal Axis Trees for Simple Graph Convolution [0.6554326244334866]
  本稿では,教師なし情報と教師なし情報を用いて隣接行列$A$を構成するグラフ構築方式を提案する。 2つのよく知られたグラフニューラルネットワーク(GNN)上で、このグラフ構築方式を検証した。
  論文  参考訳（メタデータ） (2023-02-22T12:02:23Z)
• Multi-scale Wasserstein Shortest-path Graph Kernels for Graph Classification [24.041871640927738]
  We propose a novel graph kernel called the Multi-scale Wasserstein Shortest-Path graph kernel (MWSP)。 MWSPは,ほとんどのデータセットで最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-06-02T10:50:46Z)
• Neural Trees for Learning on Graphs [19.05038106825347]
  グラフニューラルネットワーク(GNN)は、グラフを学習するための柔軟で強力なアプローチとして登場した。 我々はニューラルツリーという新しいGNNアーキテクチャを提案する。 神経木アーキテクチャは無向グラフ上の任意の滑らかな確率分布関数を近似できることを示す。
  論文  参考訳（メタデータ） (2021-05-15T17:08:20Z)
• Transport based Graph Kernels [30.541423115387097]
  グラフカーネルはグラフ間の類似性を測定する強力なツールである。 既存のグラフカーネルのほとんどはノードラベルや属性に重点を置いており、グラフ階層構造情報を無視している。 最適輸送(OT)に基づくピラミッドグラフカーネルを提案する。 提案したグラフカーネルをいくつかのベンチマーク分類タスクで評価し、その性能を既存の最先端グラフカーネルと比較する。
  論文  参考訳（メタデータ） (2020-11-02T04:44:27Z)
• 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)
• Multilevel Graph Matching Networks for Deep Graph Similarity Learning [79.3213351477689]
  グラフ構造オブジェクト間のグラフ類似性を計算するためのマルチレベルグラフマッチングネットワーク(MGMN)フレームワークを提案する。 標準ベンチマークデータセットの欠如を補うため、グラフグラフ分類とグラフグラフ回帰タスクの両方のためのデータセットセットを作成し、収集した。 総合的な実験により、MGMNはグラフグラフ分類とグラフグラフ回帰タスクの両方において、最先端のベースラインモデルより一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2020-07-08T19:48:19Z)
• Graph Pooling with Node Proximity for Hierarchical Representation Learning [80.62181998314547]
  本稿では,ノード近接を利用したグラフプーリング手法を提案し,そのマルチホップトポロジを用いたグラフデータの階層的表現学習を改善する。 その結果,提案したグラフプーリング戦略は,公開グラフ分類ベンチマークデータセットの集合において,最先端のパフォーマンスを達成できることが示唆された。
  論文  参考訳（メタデータ） (2020-06-19T13:09:44Z)
• Learning Deep Graph Representations via Convolutional Neural Networks [7.1945109570193795]
  本稿では,グラフ特徴写像の深部表現を学習するためのDeepMapというフレームワークを提案する。 グラフの学習された深部表現は、複雑な高次相互作用をキャプチャする密度で低次元のベクトルである。 我々は、様々なグラフ分類ベンチマークでDeepMapを実証的に検証し、最先端のパフォーマンスを実現することを実証した。
  論文  参考訳（メタデータ） (2020-04-05T08:49:27Z)

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。