論文の概要: SimPool: Towards Topology Based Graph Pooling with Structural Similarity
Features
- arxiv url: http://arxiv.org/abs/2006.02244v1
- Date: Wed, 3 Jun 2020 12:51:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 17:28:37.716024
- Title: SimPool: Towards Topology Based Graph Pooling with Structural Similarity
Features
- Title(参考訳): SimPool: 構造的類似機能を備えたトポロジベースのグラフポーリングを目指して
- Authors: Yaniv Shulman
- Abstract要約: 本稿では,2つの主要な寄与について提案する。1つ目は,隣接行列に基づく構造的類似性を計算した差分モジュールである。
2つ目の主な貢献は、これらの機能をDiffPool arXiv:1806.08804の再検討されたプール層と統合し、SimPoolと呼ばれるプーリング層を提案することである。
実験の結果、エンドツーエンドのグラフニューラルネットワークアーキテクチャの一部として、SimPoolは、より局所性に近いノードクラスタ割り当てを計算する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning methods for graphs have seen rapid progress in recent years
with much focus awarded to generalising Convolutional Neural Networks (CNN) to
graph data. CNNs are typically realised by alternating convolutional and
pooling layers where the pooling layers subsample the grid and exchange spatial
or temporal resolution for increased feature dimensionality. Whereas the
generalised convolution operator for graphs has been studied extensively and
proven useful, hierarchical coarsening of graphs is still challenging since
nodes in graphs have no spatial locality and no natural order. This paper
proposes two main contributions, the first is a differential module calculating
structural similarity features based on the adjacency matrix. These structural
similarity features may be used with various algorithms however in this paper
the focus and the second main contribution is on integrating these features
with a revisited pooling layer DiffPool arXiv:1806.08804 to propose a pooling
layer referred to as SimPool. This is achieved by linking the concept of
network reduction by means of structural similarity in graphs with the concept
of hierarchical localised pooling. Experimental results demonstrate that as
part of an end-to-end Graph Neural Network architecture SimPool calculates node
cluster assignments that functionally resemble more to the locality preserving
pooling operations used by CNNs that operate on local receptive fields in the
standard grid. Furthermore the experimental results demonstrate that these
features are useful in inductive graph classification tasks with no increase to
the number of parameters.
- Abstract(参考訳): グラフのディープラーニング手法は近年急速に進歩しており、グラフデータへの畳み込みニューラルネットワーク(CNN)の一般化に重点を置いている。
CNNは通常、プール層がグリッドをサブサンプリングし、空間的あるいは時間的解像度を交換して特徴次元を増大させるような畳み込み層とプール層の交互に実現される。
グラフの一般化畳み込み演算子は広く研究され、有用であることが証明されているが、グラフのノードが空間的局所性と自然な順序を持たないため、グラフの階層的粗さは依然として困難である。
本稿では,2つの主要な貢献について述べる。1つは,隣接行列に基づく構造的類似性特徴を計算する微分モジュールである。
これらの構造的類似性機能は様々なアルゴリズムで利用することができるが、本論文ではこれらの特徴をDiffPool arXiv:1806.08804で再検討し、SimPoolと呼ばれるプーリング層を提案することに重点を置いている。
これは、グラフの構造的類似性によってネットワーク還元の概念と階層的局所プールの概念を結びつけることで達成される。
実験の結果、エンドツーエンドのグラフニューラルネットワークアーキテクチャの一部として、simpoolは、標準グリッドの局所受容フィールドで動作するcnnで使用されるプール操作を、より機能的にローカルに類似したノードクラスタ割り当てを計算する。
さらに,これらの特徴は,パラメータ数の増加を伴わない帰納的グラフ分類タスクにおいて有用であることを示す。
関連論文リスト
- 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) - SSHPool: The Separated Subgraph-based Hierarchical Pooling [47.78745802682822]
グラフ分類のための新しい局所グラフプーリング法,すなわち分離部分グラフベース階層プール(SSH)を開発した。
局所グラフ畳み込み単位を局所構造として個別に用いて各部分グラフをより粗いノードに圧縮する。
我々は、グラフ分類のためのSSHPoolモジュールに関連するエンドツーエンドのGNNフレームワークを開発する。
論文 参考訳(メタデータ) (2024-03-24T13:03:35Z) - Higher-order Clustering and Pooling for Graph Neural Networks [77.47617360812023]
グラフニューラルネットワークは、多数のグラフ分類タスクにおいて最先端のパフォーマンスを達成する。
HoscPoolはクラスタリングベースのグラフプーリング演算子で、階層的に高階情報をキャプチャする。
グラフ分類タスクにおいてHoscPoolを評価し,そのクラスタリングコンポーネントを地層構造を持つグラフ上で評価する。
論文 参考訳(メタデータ) (2022-09-02T09:17:10Z) - Fuzzy Pooling [7.6146285961466]
畳み込みニューラルネットワーク(英: Convolutional Neural Networks、CNN)は、一般的には畳み込みとプールという2つの操作に基づく人工知能システムである。
本稿では, (type-1) ファジィ集合に基づく新しいプール操作を提案し, 特徴写像の局所的精度に対処する。
公開データセットを用いた実験により,提案手法はCNNの分類性能を向上させることができることが示された。
論文 参考訳(メタデータ) (2022-02-12T11:18:32Z) - Distribution Knowledge Embedding for Graph Pooling [32.78414015096222]
グラフレベルの下流タスクにとって重要なものは、トポロジ構造だけでなく、どのノードがサンプリングされたかの分布も含まれる。
既存のグラフニューラルネットワーク(GNN)を活用して,分散知識埋め込み(DKEPool)と呼ばれる新しいプラグアンドプレイプーリングモジュールを提案する。
DKEPoolネットワークは、表現学習を構造学習と分布学習の2つの段階に分解する。
論文 参考訳(メタデータ) (2021-09-29T10:36:12Z) - Pyramidal Reservoir Graph Neural Network [18.632681846787246]
本稿では,2種類の層を置換するディープグラフニューラルネットワーク(GNN)モデルを提案する。
グラフプーリングがモデルの計算複雑性をいかに低減するかを示す。
RCベースGNNの設計に対する提案手法は,精度と複雑性のトレードオフを有利かつ原則的に実現している。
論文 参考訳(メタデータ) (2021-04-10T08:34:09Z) - Second-Order Pooling for Graph Neural Networks [62.13156203025818]
グラフプーリングとして2次プールを提案するが、これは上記の課題を自然に解決する。
グラフニューラルネットワークによる2次プールの直接利用は、実用的な問題を引き起こすことを示す。
本稿では,2次プールに基づく2つの新しいグローバルグラフプーリング手法,すなわちバイリニアマッピングと2次プールを提案する。
論文 参考訳(メタデータ) (2020-07-20T20:52:36Z) - 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) - Graph Neural Networks with Composite Kernels [60.81504431653264]
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。
論文 参考訳(メタデータ) (2020-05-16T04:44:29Z) - Graphon Pooling in Graph Neural Networks [169.09536309161314]
グラフニューラルネットワーク(GNN)は、グラフによってモデル化された不規則構造上の信号の処理を含む様々なアプリケーションで効果的に使用されている。
本稿では,グラフのスペクトル特性を保存したグラフオンを用いて,GNNのプールとサンプリングを行う新しい手法を提案する。
論文 参考訳(メタデータ) (2020-03-03T21:04:20Z)
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。