論文の概要: Graph Neural Networks with Composite Kernels

• arxiv url: http://arxiv.org/abs/2005.07869v1
• Date: Sat, 16 May 2020 04:44:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-02 12:48:10.033165
• Title: Graph Neural Networks with Composite Kernels
• Title（参考訳）: 複合カーネルを用いたグラフニューラルネットワーク
• Authors: Yufan Zhou, Jiayi Xian, Changyou Chen, Jinhui Xu
• Abstract要約: カーネル重み付けの観点からノード集約を再解釈する。 本稿では,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 特徴空間における特徴類似性をエンコードするために,元の隣り合うカーネルと学習可能なカーネルの合成として特徴集約を提案する。
• 参考スコア（独自算出の注目度）: 60.81504431653264
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning on graph structured data has drawn increasing interest in recent years. Frameworks like Graph Convolutional Networks (GCNs) have demonstrated their ability to capture structural information and obtain good performance in various tasks. In these frameworks, node aggregation schemes are typically used to capture structural information: a node's feature vector is recursively computed by aggregating features of its neighboring nodes. However, most of aggregation schemes treat all connections in a graph equally, ignoring node feature similarities. In this paper, we re-interpret node aggregation from the perspective of kernel weighting, and present a framework to consider feature similarity in an aggregation scheme. Specifically, we show that normalized adjacency matrix is equivalent to a neighbor-based kernel matrix in a Krein Space. We then propose feature aggregation as the composition of the original neighbor-based kernel and a learnable kernel to encode feature similarities in a feature space. We further show how the proposed method can be extended to Graph Attention Network (GAT). Experimental results demonstrate better performance of our proposed framework in several real-world applications.
• Abstract（参考訳）: 近年,グラフ構造化データの学習への関心が高まっている。 Graph Convolutional Networks (GCN)のようなフレームワークは、構造情報をキャプチャし、様々なタスクで優れたパフォーマンスを得る能力を示している。 これらのフレームワークでは、ノード集約スキームは一般に構造情報をキャプチャするために使われる: ノードの特徴ベクトルは、隣接ノードの特徴を集約することで再帰的に計算される。 しかし、アグリゲーションスキームのほとんどがグラフ内のすべての接続を等しく扱い、ノードの特徴的類似性を無視している。 本稿では,カーネル重み付けの観点からノードアグリゲーションを再解釈し,アグリゲーション方式における特徴類似性を考慮したフレームワークを提案する。 具体的には、正規化隣接行列はクレイン空間内の近傍のカーネル行列と同値であることを示す。 次に,特徴空間における特徴類似性を符号化するために,隣接カーネルと学習可能なカーネルの組み合わせとして特徴集約を提案する。 さらに,提案手法をグラフ注意ネットワーク(GAT)に拡張する方法について述べる。 実験の結果,いくつかの実世界のアプリケーションにおいて提案フレームワークの性能が向上した。

関連論文リスト

• Reliable Node Similarity Matrix Guided Contrastive Graph Clustering [51.23437296378319]
  我々は、新しいフレームワーク、Reliable Node similarity Matrix Guided Contrastive Graph Clustering (NS4GC)を紹介した。 本手法は,ノード近傍のアライメントとセマンティック・アウェア・スパリフィケーションを導入し,ノード類似度行列が正確かつ効率的にスパースであることを保証する。
  論文  参考訳（メタデータ） (2024-08-07T13:36:03Z)
• Graph Pooling via Ricci Flow [1.1126342180866644]
  グラフプーリング演算子(ORC-Pool)を導入し,Ollivierの離散リッチ曲率とそれに付随する幾何流によるグラフの幾何学的特徴付けを利用する。 ORC-Poolはそのようなクラスタリングアプローチを属性付きグラフに拡張し、幾何学的粗大化をプール層としてグラフニューラルネットワークに統合する。
  論文  参考訳（メタデータ） (2024-07-05T03:26:37Z)
• GraphRARE: Reinforcement Learning Enhanced Graph Neural Network with Relative Entropy [21.553180564868306]
  GraphRAREはノード相対エントロピーと深層強化学習に基づいて構築されたフレームワークである。 革新的なノード相対エントロピーは、ノードペア間の相互情報を測定するために使用される。 グラフトポロジを最適化するために,深層強化学習に基づくアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-12-15T11:30:18Z)
• Fisher Information Embedding for Node and Graph Learning [5.263910852465186]
  本稿では,グラフのための新しい注目型ノード埋め込み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周辺のサブグラフの多重集合のための階層的カーネル上に構築されている。 埋め込みの一般化性と表現性に関する理論的知見を提供する。
  論文  参考訳（メタデータ） (2023-05-12T16:15:30Z)
• Reinforced Neighborhood Selection Guided Multi-Relational Graph Neural Networks [68.9026534589483]
  RioGNNはReinforceed, recursive, flexible neighborhood selection guided multi-relational Graph Neural Network architectureである。 RioGNNは、各関係の個々の重要性の認識により、説明性を高めた差別的なノード埋め込みを学ぶことができる。
  論文  参考訳（メタデータ） (2021-04-16T04:30:06Z)
• Node Similarity Preserving Graph Convolutional Networks [51.520749924844054]
  グラフニューラルネットワーク(GNN)は、ノード近傍の情報を集約し変換することで、グラフ構造とノードの特徴を探索する。 グラフ構造を利用してノード類似性を効果的かつ効率的に保存できるSimP-GCNを提案する。 本研究は,SimP-GCNが3つの分類グラフと4つの非補助グラフを含む7つのベンチマークデータセットに対して有効であることを示す。
  論文  参考訳（メタデータ） (2020-11-19T04:18:01Z)
• Factorizable Graph Convolutional Networks [90.59836684458905]
  本稿では,グラフに符号化された相互に絡み合った関係を明示的に解消する新しいグラフ畳み込みネットワーク(GCN)を提案する。 FactorGCNは単純なグラフを入力として取り、それをいくつかの分解グラフに分解する。 提案したFacterGCNは,合成および実世界のデータセットに対して質的かつ定量的に評価する。
  論文  参考訳（メタデータ） (2020-10-12T03:01:40Z)
• 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)
• Permutohedral-GCN: Graph Convolutional Networks with Global Attention [7.873191259466302]
  グラフ畳み込みネットワーク(GCN)は、グラフ内の隣人から機能を集約することで、ノードの特徴ベクトルを更新する。 我々は,ノードがグラフ内の他のノードから選択的に参加し,特徴を集約するグローバルアテンション機構を導入する。 得られた注意に基づくグローバルアグリゲーションスキームは高次元ガウスフィルタと類似していることを示す。
  論文  参考訳（メタデータ） (2020-03-02T02:44:52Z)

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。