論文の概要: A Graph Convolutional Network Composition Framework for Semi-supervised Classification

• arxiv url: http://arxiv.org/abs/2004.03994v1
• Date: Wed, 8 Apr 2020 13:52:09 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 08:18:30.376075
• Title: A Graph Convolutional Network Composition Framework for Semi-supervised Classification
• Title（参考訳）: 半教師付き分類のためのグラフ畳み込みネットワーク構成フレームワーク
• Authors: Rahul Ragesh, Sundararajan Sellamanickam, Vijay Lingam and Arun Iyer
• Abstract要約: グラフ畳み込みネットワーク(GCN)は、ノード分類を含む下流タスクで高い性能を達成することができるため、人気を博している。 本稿では,他の変種を設計する問題について検討し,GCNのビルディングブロックを用いたネットワーク構築のためのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.156373334386171
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph convolutional networks (GCNs) have gained popularity due to high performance achievable on several downstream tasks including node classification. Several architectural variants of these networks have been proposed and investigated with experimental studies in the literature. Motivated by a recent work on simplifying GCNs, we study the problem of designing other variants and propose a framework to compose networks using building blocks of GCN. The framework offers flexibility to compose and evaluate different networks using feature and/or label propagation networks, linear or non-linear networks, with each composition having different computational complexity. We conduct a detailed experimental study on several benchmark datasets with many variants and present observations from our evaluation. Our empirical experimental results suggest that several newly composed variants are useful alternatives to consider because they are as competitive as, or better than the original GCN.
• Abstract（参考訳）: グラフ畳み込みネットワーク(GCN)は、ノード分類を含む下流タスクで高い性能を達成することができるため、人気を博している。 これらのネットワークのいくつかのアーキテクチャ的バリエーションが提案され、文献で実験的に研究されている。 本稿では,GCNの簡易化に向けた最近の研究により,他の変種を設計する際の問題点を考察し,GCNのビルディングブロックを用いたネットワーク構築のためのフレームワークを提案する。 このフレームワークは、特徴および/またはラベル伝搬ネットワーク、線形または非線形ネットワークを用いて異なるネットワークを構成し、評価するための柔軟性を提供する。 本研究は,多数の変種を持つベンチマークデータセットについて詳細な実験を行い,評価結果から考察した。 実験結果から, 新たに構成した変異種は, 従来のgcnと同等かそれ以上の競合性を有するため, 検討すべき代替案であることが示唆された。

関連論文リスト

• Learning Invariant Representations of Graph Neural Networks via Cluster Generalization [58.68231635082891]
  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モデリングでますます人気が高まっている。 本稿では,構造変化が発生した場合,GNNの性能が著しく低下することが実験的に確認された。 本稿では,GNNの不変表現を学習するクラスタ情報伝達(CIT)機構を提案する。
  論文  参考訳（メタデータ） (2024-03-06T10:36:56Z)
• Dynamic Neural Network for Multi-Task Learning Searching across Diverse Network Topologies [14.574399133024594]
  多様なグラフトポロジを持つ複数のタスクに対して最適化された構造を探索する新しいMTLフレームワークを提案する。 我々は、トポロジ的に多様なタスク適応構造を構築するために、読み出し/読み出し層を備えたDAGベースの制限付き中央ネットワークを設計する。
  論文  参考訳（メタデータ） (2023-03-13T05:01:50Z)
• Pay Attention to Relations: Multi-embeddings for Attributed Multiplex Networks [0.0]
  RAHMeNは、属性付き異種多重ネットワークのための新しい統合型関係認識組込みフレームワークである。 本モデルでは,ノード属性,モチーフに基づく特徴,関係性に基づくGCNアプローチ,ノードの埋め込みを学習するための関係性自己アテンションが組み込まれている。 我々は,Amazon,Twitter,YouTube,Tio PPIの4つの実世界のデータセットを,トランスダクティブおよびインダクティブの両方で評価した。
  論文  参考訳（メタデータ） (2022-03-03T18:31:29Z)
• Connections between Numerical Algorithms for PDEs and Neural Networks [8.660429288575369]
  偏微分方程式(PDE)とニューラルネットワークの数値アルゴリズム間の多数の構造的関係について検討する。 私たちのゴールは、豊富な数学的基礎をPDEの世界からニューラルネットワークに移すことです。
  論文  参考訳（メタデータ） (2021-07-30T16:42:45Z)
• RAN-GNNs: breaking the capacity limits of graph neural networks [43.66682619000099]
  グラフニューラルネットワークは、グラフ上で定義されたデータの学習と分析に対処する問題の中心となっている。 最近の研究では、複数の近隣サイズを同時に考慮し、適応的にそれらを調整する必要があるためです。 ランダムに配線されたアーキテクチャを用いることで、ネットワークの容量を増大させ、よりリッチな表現を得ることができることを示す。
  論文  参考訳（メタデータ） (2021-03-29T12:34:36Z)
• Benchmarking Graph Neural Networks on Link Prediction [80.2049358846658]
  リンク予測のための異なるデータセット上で,既存のグラフニューラルネットワーク(GNN)モデルをベンチマークする。 実験により,これらのGNNアーキテクチャは,リンク予測タスクの様々なベンチマークでも同様に動作することを示す。
  論文  参考訳（メタデータ） (2021-02-24T20:57:16Z)
• HeteGCN: Heterogeneous Graph Convolutional Networks for Text Classification [1.9739269019020032]
  我々はヘテロジニアスグラフ畳み込みネットワーク(HeteGCN)モデリング手法を提案する。 主なアイデアは、機能埋め込みを学び、HeteGCNアーキテクチャを使ってドキュメント埋め込みを導出することである。 事実上、モデルパラメータの数は大幅に削減され、小さなラベル付きトレーニングセットのシナリオにおいて、より高速なトレーニングとパフォーマンスの向上が可能になる。
  論文  参考訳（メタデータ） (2020-08-19T12:24:35Z)
• AM-GCN: Adaptive Multi-channel Graph Convolutional Networks [85.0332394224503]
  グラフ畳み込みネットワーク(GCN)は,豊富な情報を持つ複雑なグラフにおいて,ノードの特徴と位相構造を最適に統合できるかどうかを検討する。 半教師付き分類(AM-GCN)のための適応型マルチチャネルグラフ畳み込みネットワークを提案する。 実験の結果,AM-GCNはノードの特徴とトポロジ的構造の両方から最も相関性の高い情報を抽出することがわかった。
  論文  参考訳（メタデータ） (2020-07-05T08:16:03Z)
• Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
  グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。 複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。 本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
  論文  参考訳（メタデータ） (2020-06-26T17:03:06Z)
• Unsupervised Differentiable Multi-aspect Network Embedding [52.981277420394846]
  本稿では,asp2vecと呼ばれるマルチアスペクトネットワーク埋め込みのための新しいエンドツーエンドフレームワークを提案する。 提案するフレームワークは容易に異種ネットワークに拡張できる。
  論文  参考訳（メタデータ） (2020-06-07T19:26:20Z)
• Fitting the Search Space of Weight-sharing NAS with Graph Convolutional Networks [100.14670789581811]
  サンプルサブネットワークの性能に適合するグラフ畳み込みネットワークを訓練する。 この戦略により、選択された候補集合において、より高いランク相関係数が得られる。
  論文  参考訳（メタデータ） (2020-04-17T19:12:39Z)

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。