Fugu-MT 論文翻訳(概要): Attribute2vec: Deep Network Embedding Through Multi-Filtering GCN

論文の概要: Attribute2vec: Deep Network Embedding Through Multi-Filtering GCN

arxiv url: http://arxiv.org/abs/2004.01375v1
Date: Fri, 3 Apr 2020 05:06:16 GMT
ステータス: 処理完了
システム内更新日: 2022-12-17 03:52:20.841679
Title: Attribute2vec: Deep Network Embedding Through Multi-Filtering GCN
Title（参考訳）: Attribute2vec:マルチフィルタGCNによるディープネットワーク埋め込み
Authors: Tingyi Wanyan, Chenwei Zhang, Ariful Azad, Xiaomin Liang, Daifeng Li, Ying Ding
Abstract要約: ネットワーク埋め込みタスクのためのマルチフィルタグラフ畳み込みニューラルネットワーク(GCN)フレームワークを提案する。複数のローカルGCNフィルタを使用して、各伝搬層で特徴抽出を行う。
参考スコア（独自算出の注目度）: 10.860740815185489
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a multi-filtering Graph Convolution Neural Network (GCN) framework for network embedding task. It uses multiple local GCN filters to do feature extraction in every propagation layer. We show this approach could capture different important aspects of node features against the existing attribute embedding based method. We also show that with multi-filtering GCN approach, we can achieve significant improvement against baseline methods when training data is limited. We also perform many empirical experiments and demonstrate the benefit of using multiple filters against single filter as well as most current existing network embedding methods for both the link prediction and node classification tasks.
Abstract（参考訳）: 本稿では,ネットワーク埋め込みタスクのためのマルチフィルタグラフ畳み込みニューラルネットワーク(gcn)フレームワークを提案する。複数のローカルGCNフィルタを使用して、各伝搬層で特徴抽出を行う。このアプローチは、既存の属性埋め込みベースの手法に対して、ノード機能の異なる重要な側面を捉えることができる。また,マルチフィルタGCN手法を用いることで,トレーニングデータに制限がある場合のベースライン手法に対する大幅な改善が可能であることを示す。また、多数の実証実験を行い、リンク予測とノード分類の両方のための既存のネットワーク埋め込み手法と同様に、単一フィルタに対して複数のフィルタを使用する利点を示す。

関連論文リスト

Graph Neural Networks with Diverse Spectral Filtering [32.69196871253339]
スペクトルグラフニューラルネットワーク(GNN)は、グラフ機械学習において大きな成功を収めている。本稿では,ノード固有のフィルタ重みを自動的に学習する新しいスペクトルフィルタリング(DSF)フレームワークを提案する。我々のフレームワークは、ノード分類タスクにおいて、モデル性能を最大4.92%向上させることができる。
論文参考訳（メタデータ） (2023-12-14T15:38:12Z)
Complete the Missing Half: Augmenting Aggregation Filtering with Diversification for Graph Convolutional Neural Networks [46.14626839260314]
現在のグラフニューラルネットワーク(GNN)は、特定のデータセットで学習するすべてのGNNモデルに根ざした問題要因である可能性が示されている。集約操作をそれらの双対、すなわち、ノードをより明確にし、アイデンティティを保存する多様化演算子で拡張する。このような拡張は、アグリゲーションを2チャネルのフィルタリングプロセスに置き換え、理論上、ノード表現を豊かにするのに役立つ。実験では,モデルの望ましい特性と,9ノード分類タスクのベースライン上での大幅な性能向上について検討した。
論文参考訳（メタデータ） (2022-12-21T07:24:03Z)
MFNet: Multi-filter Directive Network for Weakly Supervised Salient Object Detection [104.0177412274975]
安価なアノテーションのみを使用して、CNNベースのサリエンシネットワークをトレーニングするための、弱教師付きサリエントオブジェクト検出(WSOD)ターゲット。既存のWSOD手法は、低コストなアノテーションから単一の「高品質」擬似ラベルを追求し、それらのサリエンシネットワークを開発するために様々な手法を採用している。我々は,複数のラベルからより包括的で正確なサリエンシ・キューを統合するために,新しいマルチ擬似ラベルフレームワークを導入する。
論文参考訳（メタデータ） (2021-12-03T06:12:42Z)
Learning Versatile Convolution Filters for Efficient Visual Recognition [125.34595948003745]
本稿では,効率的な畳み込みニューラルネットワーク構築のための多目的フィルタを提案する。本稿では,ネットワークの複雑性に関する理論的解析を行い,効率的な畳み込み手法を提案する。ベンチマークデータセットとニューラルネットワークの実験結果は、我々の汎用フィルタが元のフィルタと同等の精度を達成できることを実証している。
論文参考訳（メタデータ） (2021-09-20T06:07:14Z)
Unsharp Mask Guided Filtering [53.14430987860308]
本論文の目的は,フィルタ中の構造伝達の重要性を強調した画像フィルタリングである。アンシャープマスキングにインスパイアされたガイドフィルタの新しい簡易な定式化を提案する。我々の定式化は低域フィルタに先立ってフィルタを楽しみ、単一の係数を推定することで明示的な構造伝達を可能にする。
論文参考訳（メタデータ） (2021-06-02T19:15:34Z)
Graph Neural Networks with Adaptive Frequency Response Filter [55.626174910206046]
適応周波数応答フィルタを用いたグラフニューラルネットワークフレームワークAdaGNNを開発した。提案手法の有効性を,様々なベンチマークデータセット上で実証的に検証した。
論文参考訳（メタデータ） (2021-04-26T19:31:21Z)
Complete the Missing Half: Augmenting Aggregation Filtering with Diversification for Graph Convolutional Networks [46.14626839260314]
我々は、現在のグラフニューラルネットワーク(GNN)が、特定のデータセットで学習するすべてのGNNメソッドの根底にある問題である可能性を示している。集約操作をそれらの双対、すなわち、ノードをより明確にし、アイデンティティを保存する多様化演算子で拡張する。このような拡張は、アグリゲーションを2チャネルのフィルタリングプロセスに置き換え、理論上、ノード表現を豊かにするのに役立つ。実験では,モデルの望ましい特性と,9ノード分類タスクのベースライン上での大幅な性能向上について検討した。
論文参考訳（メタデータ） (2020-08-20T08:45:16Z)
MTP: Multi-Task Pruning for Efficient Semantic Segmentation Networks [32.84644563020912]
セマンティックセグメンテーションネットワークのためのマルチタスクチャネルプルーニング手法を提案する。各畳み込みフィルタの重要性は、任意の層のチャネルを分類と分割タスクによって同時に決定する。いくつかのベンチマークによる実験結果は、最先端の刈り取り法よりも提案アルゴリズムの方が優れていることを示している。
論文参考訳（メタデータ） (2020-07-16T15:03:01Z)
A "Network Pruning Network" Approach to Deep Model Compression [62.68120664998911]
マルチタスクネットワークを用いた深部モデル圧縮のためのフィルタプルーニング手法を提案する。我々のアプローチは、プレナーネットワークを学習して、事前訓練されたターゲットネットワークを訓練することに基づいている。提案手法によって生成された圧縮モデルは汎用的であり,特別なハードウェア/ソフトウェアのサポートは不要である。
論文参考訳（メタデータ） (2020-01-15T20:38:23Z)

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。