論文の概要: Directed Graph Convolutional Network

• arxiv url: http://arxiv.org/abs/2004.13970v1
• Date: Wed, 29 Apr 2020 06:19:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 12:58:27.951246
• Title: Directed Graph Convolutional Network
• Title（参考訳）: 有向グラフ畳み込みネットワーク
• Authors: Zekun Tong, Yuxuan Liang, Changsheng Sun, David S. Rosenblum and Andrew Lim
• Abstract要約: スペクトルベースのグラフ畳み込みを1階と2階の近接を利用して有向グラフに拡張する。 DGCNと呼ばれる新しいGCNモデルは、有向グラフ上で表現を学ぶように設計されている。
• 参考スコア（独自算出の注目度）: 15.879411956536885
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Convolutional Networks (GCNs) have been widely used due to their outstanding performance in processing graph-structured data. However, the undirected graphs limit their application scope. In this paper, we extend spectral-based graph convolution to directed graphs by using first- and second-order proximity, which can not only retain the connection properties of the directed graph, but also expand the receptive field of the convolution operation. A new GCN model, called DGCN, is then designed to learn representations on the directed graph, leveraging both the first- and second-order proximity information. We empirically show the fact that GCNs working only with DGCNs can encode more useful information from graph and help achieve better performance when generalized to other models. Moreover, extensive experiments on citation networks and co-purchase datasets demonstrate the superiority of our model against the state-of-the-art methods.
• Abstract（参考訳）: グラフ畳み込みネットワーク(GCN)は,グラフ構造化データの処理性能に優れていたため,広く利用されている。 しかし、非指向グラフはアプリケーションの範囲を制限する。 本稿では、有向グラフの接続特性を保持するだけでなく、畳み込み演算の受容場を拡張できる一階および二階近接法を用いて、スペクトルベースのグラフ畳み込みを有向グラフに拡張する。 DGCNと呼ばれる新しいGCNモデルは、第1次と第2次の両方の近接情報を利用して、有向グラフ上の表現を学ぶように設計されている。 我々は、DGCNのみで動作するGCNがグラフからより有用な情報をエンコードし、他のモデルに一般化する際のより良いパフォーマンスを実現することができることを実証的に示す。 さらに、引用ネットワークと共同購入データセットに関する広範な実験により、最先端手法に対するモデルの優位性が示された。

関連論文リスト

• Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
  グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。 モデルはGCNを適用するために初期グラフを事前に推定する。 一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
  論文  参考訳（メタデータ） (2024-02-25T07:03:37Z)
• Edge Directionality Improves Learning on Heterophilic Graphs [42.5099159786891]
  我々は、有向グラフを深層学習するための新しいフレームワークであるDir-GNN(Directed Graph Neural Network)を紹介する。 Dir-GNNは、任意のメッセージパッシングニューラルネットワーク(MPNN)を拡張して、エッジ指向性情報を考慮するために使用することができる。 我々は,Dir-GNNが従来のMPNNよりも高い指向性Weisfeiler-Lehmanテストの表現性に一致することを証明した。
  論文  参考訳（メタデータ） (2023-05-17T18:06:43Z)
• Graph Condensation via Receptive Field Distribution Matching [61.71711656856704]
  本稿では,元のグラフを表す小さなグラフの作成に焦点をあてる。 我々は、元のグラフを受容体の分布とみなし、受容体が同様の分布を持つ小さなグラフを合成することを目的としている。
  論文  参考訳（メタデータ） (2022-06-28T02:10:05Z)
• Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
  本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。 固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。 GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
  論文  参考訳（メタデータ） (2022-05-19T14:08:15Z)
• Self-supervised Consensus Representation Learning for Attributed Graph [15.729417511103602]
  グラフ表現学習に自己教師付き学習機構を導入する。 本稿では,新しい自己教師型コンセンサス表現学習フレームワークを提案する。 提案手法はトポロジグラフと特徴グラフの2つの視点からグラフを扱う。
  論文  参考訳（メタデータ） (2021-08-10T07:53:09Z)
• Graph Convolutional Networks in Feature Space for Image Deblurring and Super-resolution [11.531085904098003]
  グラフ畳み込みを付加した新しいエンコーダデコーダネットワークを提案する。 実験により、画像復元作業のパフォーマンスが著しく向上することが示された。 より多くのアプリケーションにおいて、GCNベースのアプローチの機会が開けると信じています。
  論文  参考訳（メタデータ） (2021-05-21T17:02:15Z)
• Graph Contrastive Learning with Augmentations [109.23158429991298]
  グラフデータの教師なし表現を学習するためのグラフコントラスト学習(GraphCL)フレームワークを提案する。 我々のフレームワークは、最先端の手法と比較して、類似またはより良い一般化可能性、転送可能性、堅牢性のグラフ表現を作成できることを示す。
  論文  参考訳（メタデータ） (2020-10-22T20:13:43Z)
• Contrastive and Generative Graph Convolutional Networks for Graph-based Semi-Supervised Learning [64.98816284854067]
  グラフベースのSemi-Supervised Learning (SSL)は、少数のラベル付きデータのラベルをグラフ経由で残りの巨大なラベル付きデータに転送することを目的としている。 本稿では,データ類似性とグラフ構造を両立させ,監視信号の強化を図るため,新しいGCNベースのSSLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-15T13:59:28Z)
• Simple and Deep Graph Convolutional Networks [63.76221532439285]
  グラフ畳み込みネットワーク(GCN)は、グラフ構造化データに対する強力なディープラーニングアプローチである。 その成功にもかかわらず、現在のGCNモデルは、エムの過度に滑らかな問題のため、ほとんどが浅くなっている。 本稿では,2つの単純かつ効果的な手法を用いて,バニラGCNモデルを拡張したGCNIIを提案する。
  論文  参考訳（メタデータ） (2020-07-04T16:18:06Z)
• Connecting Graph Convolutional Networks and Graph-Regularized PCA [23.592657600394215]
  GCNモデルのグラフ畳み込み演算子は、もともとスペクトルグラフ畳み込みの局所化一階近似から動機付けられたものである。 グラフ畳み込みとグラフ正規化PCA(GPCA)のテキスト数学的接続を確立する。
  論文  参考訳（メタデータ） (2020-06-22T14:27:02Z)
• K-Core based Temporal Graph Convolutional Network for Dynamic Graphs [19.237377882738063]
  動的グラフのノード表現を学習するために,新しいk-coreベースの時間グラフ畳み込みネットワークであるCTGCNを提案する。 従来の動的グラフ埋め込み法とは対照的に、CTGCNは局所的な連結近接と大域的な構造的類似性の両方を保存できる。 7つの実世界のグラフに対する実験結果から、CTGCNは既存の最先端グラフの埋め込み方法よりもいくつかのタスクで優れていることが示された。
  論文  参考訳（メタデータ） (2020-03-22T14:15:27Z)

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。