論文の概要: Deep Multi-attributed Graph Translation with Node-Edge Co-evolution
- arxiv url: http://arxiv.org/abs/2003.09945v2
- Date: Mon, 15 Jun 2020 20:03:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-21 05:25:38.958643
- Title: Deep Multi-attributed Graph Translation with Node-Edge Co-evolution
- Title（参考訳）: ノードエッジ共進化を用いたディープマルチ属性グラフ翻訳
- Authors: Xiaojie Guo, Liang Zhao, Cameron Nowzari, Setareh Rafatirad, Houman
Homayoun, and Sai Manoj Pudukotai Dinakarrao
- Abstract要約: 画像および言語翻訳から一般化されたグラフ変換は、入力グラフをソース領域に条件付けすることで、対象領域内のグラフを生成することを目的としている。
既存の作業は、固定トポロジを持つグラフのノード属性を単に予測することや、ノード属性を考慮せずにグラフトポロジのみを予測することに限定されている。
本稿では,ノード翻訳とエッジ翻訳をシームレスに統合する新しいフレームワークを開発する。
- 参考スコア（独自算出の注目度）: 12.2432797296788
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generalized from image and language translation, graph translation aims to
generate a graph in the target domain by conditioning an input graph in the
source domain. This promising topic has attracted fast-increasing attention
recently. Existing works are limited to either merely predicting the node
attributes of graphs with fixed topology or predicting only the graph topology
without considering node attributes, but cannot simultaneously predict both of
them, due to substantial challenges: 1) difficulty in characterizing the
interactive, iterative, and asynchronous translation process of both nodes and
edges and 2) difficulty in discovering and maintaining the inherent consistency
between the node and edge in predicted graphs. These challenges prevent a
generic, end-to-end framework for joint node and edge attributes prediction,
which is a need for real-world applications such as malware confinement in IoT
networks and structural-to-functional network translation. These real-world
applications highly depend on hand-crafting and ad-hoc heuristic models, but
cannot sufficiently utilize massive historical data. In this paper, we termed
this generic problem "multi-attributed graph translation" and developed a novel
framework integrating both node and edge translations seamlessly. The novel
edge translation path is generic, which is proven to be a generalization of the
existing topology translation models. Then, a spectral graph regularization
based on our non-parametric graph Laplacian is proposed in order to learn and
maintain the consistency of the predicted nodes and edges. Finally, extensive
experiments on both synthetic and real-world application data demonstrated the
effectiveness of the proposed method.
- Abstract（参考訳）: 画像および言語翻訳から一般化したグラフ翻訳は、ソースドメインの入力グラフを条件付けすることで、ターゲットドメイン内のグラフを生成することを目的としている。
この有望な話題は近年急速に注目を集めている。
既存の作業は、固定トポロジを持つグラフのノード属性を単に予測することや、ノード属性を考慮せずにグラフトポロジのみを予測することに限定される。
1)ノードとエッジの対話的、反復的、非同期な翻訳プロセスの特徴付けの難しさ
2)予測グラフにおけるノードとエッジ間の固有の一貫性の発見と維持が困難である。
これらの課題は、iotネットワークにおけるマルウェアの閉じ込めや構造から機能へのネットワーク変換といった現実世界のアプリケーションを必要とする、ノードとエッジ属性の同時予測のための汎用的なエンドツーエンドフレームワークを妨げる。
これらの実世界の応用は手作りやアドホックなヒューリスティックなモデルに大きく依存するが、膨大な歴史的データを十分に活用することはできない。
本稿では、この汎用的な問題を「多属性グラフ翻訳」と呼び、ノードとエッジの翻訳をシームレスに統合する新しいフレームワークを開発した。
新たなエッジ翻訳パスはジェネリックであり、既存のトポロジー翻訳モデルの一般化であることが証明されている。
次に、予測されたノードとエッジの一貫性を学習し維持するために、非パラメトリックグラフラプラシアンに基づくスペクトルグラフ正則化を提案する。
最後に, 提案手法の有効性を実証した合成および実世界の応用データについて広範な実験を行った。
関連論文リスト
- Improving Graph Neural Networks by Learning Continuous Edge Directions [0.0]
グラフニューラルネットワーク(GNN)は、従来、非指向グラフ上の拡散に似たメッセージパッシング機構を採用している。
私たちのキーとなる洞察は、ファジィエッジ方向をグラフのエッジに割り当てることです。
ファジィエッジを持つグラフを学習するためのフレームワークとして,Continuous Edge Direction (CoED) GNNを提案する。
論文 参考訳（メタデータ） (2024-10-18T01:34:35Z) - BOURNE: Bootstrapped Self-supervised Learning Framework for Unified
Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。
ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。
BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文 参考訳（メタデータ） (2023-07-28T00:44:57Z) - Learning to Identify Graphs from Node Trajectories in Multi-Robot
Networks [15.36505600407192]
本稿では,グローバル収束保証付きグラフトポロジを効率的に発見する学習ベースアプローチを提案する。
マルチロボット生成および群れ処理におけるグラフの同定におけるアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2023-07-10T07:09:12Z) - NodeFormer: A Scalable Graph Structure Learning Transformer for Node
Classification [70.51126383984555]
本稿では,任意のノード間のノード信号を効率的に伝搬する全ペアメッセージパッシング方式を提案する。
効率的な計算は、カーナライズされたGumbel-Softmax演算子によって実現される。
グラフ上のノード分類を含む様々なタスクにおいて,本手法の有望な有効性を示す実験を行った。
論文 参考訳（メタデータ） (2023-06-14T09:21:15Z) - Graph Transformer GANs for Graph-Constrained House Generation [223.739067413952]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。
GTGANは、グラフ制約のある住宅生成タスクにおいて、エンドツーエンドで効率的なグラフノード関係を学習する。
論文 参考訳（メタデータ） (2023-03-14T20:35:45Z) - Rethinking Explaining Graph Neural Networks via Non-parametric Subgraph
Matching [68.35685422301613]
そこで我々はMatchExplainerと呼ばれる新しい非パラメトリックな部分グラフマッチングフレームワークを提案し、説明的部分グラフを探索する。
ターゲットグラフと他のインスタンスを結合し、ノードに対応する距離を最小化することで最も重要な結合部分構造を識別する。
合成および実世界のデータセットの実験は、最先端のパラメトリックベースラインをかなりのマージンで上回り、MatchExplainerの有効性を示す。
論文 参考訳（メタデータ） (2023-01-07T05:14:45Z) - Refined Edge Usage of Graph Neural Networks for Edge Prediction [51.06557652109059]
We propose a novel edge prediction paradigm named Edge-aware Message PassIng neuRal nEtworks (EMPIRE)。
まず,各エッジをトポロジや監督のためにのみ使用するエッジ分割手法を提案する。
監視エッジで接続されたペアと接続されていないペアの差を強調するために、さらにメッセージを重み付けして、その差を反映できる相対的なペアを強調します。
論文 参考訳（メタデータ） (2022-12-25T23:19:56Z) - Semi-Supervised Graph-to-Graph Translation [31.47555366566109]
グラフ翻訳は有望な研究の方向性であり、現実世界に広く応用できる可能性がある。
重要な理由のひとつは、高品質なペアデータセットがないことだ。
意味遷移をモデル化するために変換を明示的に行う双対表現空間を構築することを提案する。
論文 参考訳（メタデータ） (2021-03-16T03:24:20Z) - FeatureNorm: L2 Feature Normalization for Dynamic Graph Embedding [39.527059564775094]
グラフ畳み込みネットワーク(GCN)は、非ユークリッドアプリケーションドメインで広く研究され、利用されている。
本稿では,まずノード埋め込み空間における縮小特性を解析し,単純で汎用的な手法を設計する。
実世界の4つの動的グラフデータセットと競合ベースラインモデルの比較実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2021-02-27T09:13:47Z) - Interpretable Deep Graph Generation with Node-Edge Co-Disentanglement [55.2456981313287]
本稿では,属性グラフの深部生成モデルのための新しいアンタングルメント拡張フレームワークを提案する。
ノードとエッジのデコンボリューションのための新しいアーキテクチャを用いて、上記の3種類の潜伏因子を解離する新しい変分的目的を提案する。
各タイプ内では、画像の既存のフレームワークの一般化が示され、個々の因子のゆがみがさらに強化される。
論文 参考訳（メタデータ） (2020-06-09T16:33:49Z)
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。