論文の概要: Bridging the Gap between Spatial and Spectral Domains: A Survey on Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2002.11867v4
• Date: Wed, 21 Jul 2021 15:54:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-28 07:11:02.908369
• Title: Bridging the Gap between Spatial and Spectral Domains: A Survey on Graph Neural Networks
• Title（参考訳）: 空間領域とスペクトル領域の間のギャップを埋める:グラフニューラルネットワークに関する調査
• Authors: Zhiqian Chen, Fanglan Chen, Lei Zhang, Taoran Ji, Kaiqun Fu, Liang Zhao, Feng Chen, Lingfei Wu, Charu Aggarwal and Chang-Tien Lu
• Abstract要約: グラフニューラルネットワーク(GNN)は、非ユークリッドグラフ構造を扱うように設計されている。 既存のGNNは様々な手法を用いて提示され、直接比較と相互参照がより複雑になる。 既存のGNNを空間およびスペクトル領域に整理し、各領域内の接続を公開する。
• 参考スコア（独自算出の注目度）: 52.76042362922247
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning's success has been widely recognized in a variety of machine learning tasks, including image classification, audio recognition, and natural language processing. As an extension of deep learning beyond these domains, graph neural networks (GNNs) are designed to handle the non-Euclidean graph-structure which is intractable to previous deep learning techniques. Existing GNNs are presented using various techniques, making direct comparison and cross-reference more complex. Although existing studies categorize GNNs into spatial-based and spectral-based techniques, there hasn't been a thorough examination of their relationship. To close this gap, this study presents a single framework that systematically incorporates most GNNs. We organize existing GNNs into spatial and spectral domains, as well as expose the connections within each domain. A review of spectral graph theory and approximation theory builds a strong relationship across the spatial and spectral domains in further investigation.
• Abstract（参考訳）: ディープラーニングの成功は、画像分類、音声認識、自然言語処理など、さまざまな機械学習タスクで広く認識されている。 これらの領域を超えたディープラーニングの拡張として、グラフニューラルネットワーク(GNN)は、従来のディープラーニング技術に難解な非ユークリッドグラフ構造を扱うように設計されている。 既存のGNNは様々な手法を用いて提示され、直接比較と相互参照がより複雑になる。 既存の研究は、gnnを空間ベースおよびスペクトルベース技術に分類しているが、それらの関係について徹底的な検討は行われていない。 このギャップを埋めるために,ほとんどのGNNを体系的に組み込んだ単一のフレームワークを提案する。 既存のgnnを空間領域とスペクトル領域に整理し、各ドメイン内の接続を露出させる。 スペクトルグラフ理論と近似理論のレビューは、さらなる研究において空間領域とスペクトル領域の間に強い関係を築く。

関連論文リスト

• Rethinking Spectral Graph Neural Networks with Spatially Adaptive Filtering [31.595664867365322]
  スペクトルグラフニューラルネットワーク(GNN)はスペクトル領域において十分に確立されているが、近似への実際の依存は空間領域への深いリンクを意味する。 スペクトルと空間アグリゲーションの間に理論的な関係を確立し、スペクトルが元のグラフを適応した新しいグラフに暗黙的に導く本質的な相互作用を明らかにする。 本稿では,非局所的な補助的なアグリゲーションのためのスペクトルフィルタリングにより適応された新しいグラフを利用する空間適応フィルタリング(SAF)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-17T09:12:31Z)
• The Evolution of Distributed Systems for Graph Neural Networks and their Origin in Graph Processing and Deep Learning: A Survey [17.746899445454048]
  グラフニューラルネットワーク(GNN)は、新たな研究分野である。 GNNはレコメンデーションシステム、コンピュータビジョン、自然言語処理、生物学、化学など様々な分野に適用できる。 我々は,大規模GNNソリューションの重要な手法と手法を要約し,分類することで,このギャップを埋めることを目指している。
  論文  参考訳（メタデータ） (2023-05-23T09:22:33Z)
• A Survey on Spectral Graph Neural Networks [42.469584005389414]
  本稿では,モデル,理論,応用を含むスペクトルGNNの最近の展開を要約する。 まず、空間GNNとスペクトルGNNの関連性について検討し、スペクトルGNNがグローバルな情報を捕捉し、より理解しやすいことを示す。 さらに、スペクトルGNNの主要な理論的結果と応用をレビューし、その後、人気のあるスペクトルGNNをベンチマークするための定量的実験を行った。
  論文  参考訳（メタデータ） (2023-02-11T09:16:46Z)
• Automatic Relation-aware Graph Network Proliferation [182.30735195376792]
  GNNを効率的に検索するためのARGNP(Automatic Relation-Aware Graph Network Proliferation)を提案する。 これらの操作は階層的なノード/リレーショナル情報を抽出し、グラフ上のメッセージパッシングのための異方的ガイダンスを提供する。 4つのグラフ学習タスクのための6つのデータセットの実験により、我々の手法によって生成されたGNNは、現在最先端の手作りおよび検索に基づくGNNよりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-05-31T10:38:04Z)
• Discovering the Representation Bottleneck of Graph Neural Networks from Multi-order Interactions [51.597480162777074]
  グラフニューラルネットワーク(GNN)は、ノード機能を伝搬し、インタラクションを構築するためにメッセージパッシングパラダイムに依存している。 最近の研究は、異なるグラフ学習タスクはノード間の異なる範囲の相互作用を必要とすることを指摘している。 科学領域における2つの共通グラフ構築法、すなわち、emphK-nearest neighbor(KNN)グラフとemphfully-connected(FC)グラフについて検討する。
  論文  参考訳（メタデータ） (2022-05-15T11:38:14Z)
• AdaGNN: A multi-modal latent representation meta-learner for GNNs based on AdaBoosting [0.38073142980733]
  グラフニューラルネットワーク(GNN)は、固有のネットワーク機能の抽出に重点を置いている。 GNNのための強化型メタラーナを提案する。 AdaGNNは、リッチで多様なノード近傍情報を持つアプリケーションに対して非常によく機能する。
  論文  参考訳（メタデータ） (2021-08-14T03:07:26Z)
• Bridging the Gap between Spatial and Spectral Domains: A Unified Framework for Graph Neural Networks [61.17075071853949]
  グラフニューラルネットワーク(GNN)は、古典的なディープラーニングが容易に管理できないグラフ構造データを扱うように設計されている。 本研究の目的は,スペクトルグラフと近似理論に基づいてGNNを統合する統一フレームワークを確立することである。
  論文  参考訳（メタデータ） (2021-07-21T17:34:33Z)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• Node Masking: Making Graph Neural Networks Generalize and Scale Better [71.51292866945471]
  グラフニューラルネットワーク(GNN)は近年,多くの関心を集めている。 本稿では,芸術空間のGNNの状態によって実行される操作をよりよく可視化するために,いくつかの理論ツールを利用する。 私たちはNode Maskingというシンプルなコンセプトを導入しました。
  論文  参考訳（メタデータ） (2020-01-17T06:26:40Z)

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。