論文の概要: Graphon Pooling in Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2003.01795v1
- Date: Tue, 3 Mar 2020 21:04:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 22:19:03.480359
- Title: Graphon Pooling in Graph Neural Networks
- Title(参考訳): グラフニューラルネットワークにおけるgraphonプーリング
- Authors: Alejandro Parada-Mayorga, Luana Ruiz and Alejandro Ribeiro
- Abstract要約: グラフニューラルネットワーク(GNN)は、グラフによってモデル化された不規則構造上の信号の処理を含む様々なアプリケーションで効果的に使用されている。
本稿では,グラフのスペクトル特性を保存したグラフオンを用いて,GNNのプールとサンプリングを行う新しい手法を提案する。
- 参考スコア(独自算出の注目度): 169.09536309161314
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph neural networks (GNNs) have been used effectively in different
applications involving the processing of signals on irregular structures
modeled by graphs. Relying on the use of shift-invariant graph filters, GNNs
extend the operation of convolution to graphs. However, the operations of
pooling and sampling are still not clearly defined and the approaches proposed
in the literature either modify the graph structure in a way that does not
preserve its spectral properties, or require defining a policy for selecting
which nodes to keep. In this work, we propose a new strategy for pooling and
sampling on GNNs using graphons which preserves the spectral properties of the
graph. To do so, we consider the graph layers in a GNN as elements of a
sequence of graphs that converge to a graphon. In this way we have no ambiguity
in the node labeling when mapping signals from one layer to the other and a
spectral representation that is consistent throughout the layers. We evaluate
this strategy in a synthetic and a real-world numerical experiment where we
show that graphon pooling GNNs are less prone to overfitting and improve upon
other pooling techniques, especially when the dimensionality reduction ratios
between layers is large.
- Abstract(参考訳): グラフニューラルネットワーク(GNN)は、グラフによってモデル化された不規則構造上の信号の処理を含む様々なアプリケーションで効果的に使用されている。
シフト不変グラフフィルタの使用により、GNNはグラフへの畳み込みの操作を拡張する。
しかしながら、プーリングとサンプリングの操作は未だ明確に定義されておらず、文献で提案されているアプローチは、そのスペクトル特性を保たない方法でグラフ構造を変更するか、どのノードを保持するかを選択するポリシーを定義する必要がある。
本研究では,グラフのスペクトル特性を保存したグラフオンを用いて,GNNのプールとサンプリングを行う新しい手法を提案する。
そのため、GNNのグラフ層は、グラフロンに収束するグラフ列の要素であると考える。
このようにして、ある層から別の層に信号をマッピングするときのノードラベリングのあいまいさや、その層全体にわたって一貫したスペクトル表現は持たない。
我々は,この戦略を,特に層間寸法減少比が大きい場合において,グラノンプールGNNが他のプール技術よりも過度に適合し改善しにくいことを示す,合成および実世界の数値実験で評価した。
関連論文リスト
- Graphon Pooling for Reducing Dimensionality of Signals and Convolutional
Operators on Graphs [131.53471236405628]
グラフ空間における[0, 1]2の分割上のグラフとグラフ信号の誘導的グラフ表現を利用する3つの方法を提案する。
これらの低次元表現がグラフとグラフ信号の収束列を構成することを証明している。
我々は,層間次元減少比が大きい場合,グラノンプーリングは文献で提案した他の手法よりも有意に優れていることを観察した。
論文 参考訳(メタデータ) (2022-12-15T22:11:34Z) - A Spectral Analysis of Graph Neural Networks on Dense and Sparse Graphs [13.954735096637298]
そこで我々は,グラフスペクトルの空間分布がグラフスペクトルに与える影響を解析し,グラフニューラルネットワーク(GNN)の高密度グラフとスパースグラフのノード分類における性能について検討した。
GNNはスパースグラフのスペクトル法よりも優れており、これらの結果を合成グラフと実グラフの両方で数値例で示すことができる。
論文 参考訳(メタデータ) (2022-11-06T22:38:13Z) - FoSR: First-order spectral rewiring for addressing oversquashing in GNNs [0.0]
グラフニューラルネットワーク(GNN)は、グラフのエッジに沿ってメッセージを渡すことによって、グラフデータの構造を活用することができる。
本稿では,グラフにエッジを体系的に付加することで過疎化を防止する計算効率のよいアルゴリズムを提案する。
提案アルゴリズムは,いくつかのグラフ分類タスクにおいて,既存のグラフリウィリング手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-10-21T07:58:03Z) - Pointspectrum: Equivariance Meets Laplacian Filtering for Graph
Representation Learning [3.7875603451557063]
グラフ表現学習(GRL)は、現代のグラフデータマイニングおよび学習タスクに欠かせないものとなっている。
グラフニューラルネットワーク(GNN)は最先端のGRLアーキテクチャで使用されているが、過度なスムース化に悩まされていることが示されている。
本稿では,グラフの構造を考慮に入れたスペクトル法であるPointSpectrumを提案する。
論文 参考訳(メタデータ) (2021-09-06T10:59:11Z) - Spectral Graph Convolutional Networks With Lifting-based Adaptive Graph
Wavelets [81.63035727821145]
スペクトルグラフ畳み込みネットワーク(SGCN)はグラフ表現学習において注目を集めている。
本稿では,適応グラフウェーブレットを用いたグラフ畳み込みを実装した新しいスペクトルグラフ畳み込みネットワークを提案する。
論文 参考訳(メタデータ) (2021-08-03T17:57:53Z) - 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) - Data-Driven Learning of Geometric Scattering Networks [74.3283600072357]
最近提案された幾何散乱変換の緩和に基づく新しいグラフニューラルネットワーク(GNN)モジュールを提案する。
我々の学習可能な幾何散乱(LEGS)モジュールは、ウェーブレットの適応的なチューニングを可能にし、学習された表現に帯域通過の特徴が現れるように促す。
論文 参考訳(メタデータ) (2020-10-06T01:20:27Z) - 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)
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。