論文の概要: Learning distributed representations of graphs with Geo2DR

• arxiv url: http://arxiv.org/abs/2003.05926v3
• Date: Thu, 9 Jul 2020 15:37:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-24 13:55:01.344461
• Title: Learning distributed representations of graphs with Geo2DR
• Title（参考訳）: geo2drによるグラフの分散表現の学習
• Authors: Paul Scherer, Pietro Lio
• Abstract要約: グラフ構造化データの教師なし学習のためのGPU対応PythonライブラリGeo2DR(Geometric to Distributed Representations)を提案する。 PyTorchの一般的なグラフ分解アルゴリズムとニューラルネットワークモデルの効率的な実装を含んでいる。 グラフの分散表現を学習できるシステムを構築するための,モジュール形式のツールと手法を提供する。
• 参考スコア（独自算出の注目度）: 0.190365714903665
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present Geo2DR (Geometric to Distributed Representations), a GPU ready Python library for unsupervised learning on graph-structured data using discrete substructure patterns and neural language models. It contains efficient implementations of popular graph decomposition algorithms and neural language models in PyTorch which can be combined to learn representations of graphs using the distributive hypothesis. Furthermore, Geo2DR comes with general data processing and loading methods to bring substantial speed-up in the training of the neural language models. Through this we provide a modular set of tools and methods to quickly construct systems capable of learning distributed representations of graphs. This is useful for replication of existing methods, modification, or development of completely new methods. This paper serves to present the Geo2DR library and perform a comprehensive comparative analysis of existing methods re-implemented using Geo2DR across widely used graph classification benchmarks. Geo2DR displays a high reproducibility of results in published methods and interoperability with other libraries useful for distributive language modelling.
• Abstract（参考訳）: Geo2DR(Geometric to Distributed Representations)は、離散的なサブストラクチャパターンとニューラル言語モデルを用いて、グラフ構造化データの教師なし学習のためのGPU対応Pythonライブラリである。 一般的なグラフ分解アルゴリズムとニューラルネットワークモデルをPyTorchで効率的に実装し、分散仮説を用いてグラフの表現を学習することができる。 さらに、geo2drは一般的なデータ処理とローディングメソッドを備えており、ニューラルネットワークモデルのトレーニングにおいてかなりのスピードアップを実現している。 これにより、グラフの分散表現を学習できるシステムを構築するための、モジュラーなツールセットとメソッドを提供する。 これは、既存のメソッドの複製、修正、あるいは全く新しいメソッドの開発に役立ちます。 本稿では,geo2drライブラリの提示と,geo2drで再実装された既存手法の包括的比較分析を行う。 geo2drは、公開メソッドの結果の再現性が高く、分散言語モデリングに有用な他のライブラリとの相互運用性を示す。

関連論文リスト

• DiRW: Path-Aware Digraph Learning for Heterophily [23.498557237805414]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データのための強力な表現学習ツールとして登場した。 我々は,プラグイン・アンド・プレイ戦略や革新的なニューラルアーキテクチャとみなすことができるDirected Random Walk (DiRW)を提案する。 DiRWには、歩行確率、長さ、および数の観点から最適化された方向対応パスサンプリング器が組み込まれている。
  論文  参考訳（メタデータ） (2024-10-14T09:26:56Z)
• GTAGCN: Generalized Topology Adaptive Graph Convolutional Networks [5.166599023304314]
  一般化集約ネットワークとトポロジ適応グラフ畳み込みネットワークという2つの確立された手法に基づくハイブリッドアプローチを導出する。 結果は、文献の結果と同等であり、グラフ構造が探索されていないシーケンスデータとして手書きのストロークの方が優れている。
  論文  参考訳（メタデータ） (2024-03-22T10:02:13Z)
• Ensemble Quadratic Assignment Network for Graph Matching [52.20001802006391]
  グラフマッチングはコンピュータビジョンやパターン認識において一般的に用いられる技法である。 最近のデータ駆動型アプローチは、グラフマッチングの精度を著しく改善した。 データ駆動手法と従来の手法の利点を組み合わせたグラフニューラルネットワーク(GNN)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2024-03-11T06:34:05Z)
• Latent Graph Inference using Product Manifolds [0.0]
  遅延グラフ学習のための離散微分可能グラフモジュール(dDGM)を一般化する。 我々の新しいアプローチは、幅広いデータセットでテストされ、元のdDGMモデルよりも優れています。
  論文  参考訳（メタデータ） (2022-11-26T22:13:06Z)
• pyGSL: A Graph Structure Learning Toolkit [14.000763778781547]
  pyGSLは、最先端のグラフ構造学習モデルの効率的な実装を提供するPythonライブラリである。 pyGSLはGPUフレンドリーな方法で書かれており、より大きなネットワークタスクにスケールすることができる。
  論文  参考訳（メタデータ） (2022-11-07T14:23:10Z)
• Convolutional Learning on Multigraphs [153.20329791008095]
  我々は、多グラフ上の畳み込み情報処理を開発し、畳み込み多グラフニューラルネットワーク(MGNN)を導入する。 情報拡散の複雑なダイナミクスを多グラフのエッジのクラス間で捉えるために、畳み込み信号処理モデルを定式化する。 我々は,計算複雑性を低減するため,サンプリング手順を含むマルチグラフ学習アーキテクチャを開発した。 導入されたアーキテクチャは、最適な無線リソース割り当てとヘイトスピーチローカライゼーションタスクに適用され、従来のグラフニューラルネットワークよりも優れたパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2022-09-23T00:33:04Z)
• Ordered Subgraph Aggregation Networks [19.18478955240166]
  グラフ強化グラフニューラルネットワーク(GNN)が登場し、標準(メッセージパス)GNNの表現力を確実に向上させている。 本稿では, 理論的枠組みを導入し, サブグラフ強化GNNの表現性を拡張した。 部分グラフサイズの増加は常に表現力を高め、それらの制限をよりよく理解することを示します。
  論文  参考訳（メタデータ） (2022-06-22T15:19:34Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)
• 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)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)

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。