論文の概要: DeepGG: a Deep Graph Generator
- arxiv url: http://arxiv.org/abs/2006.04159v2
- Date: Wed, 25 Nov 2020 16:41:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 07:37:52.754591
- Title: DeepGG: a Deep Graph Generator
- Title（参考訳）: DeepGG:ディープグラフ・ジェネレータ
- Authors: Julian Stier and Michael Granitzer
- Abstract要約: 本稿では,ディープステートマシンの考え方に基づくグラフ生成モデル学習のための改良されたフレームワークを提案する。
状態遷移の決定を学ぶには、状態マシンのメモリとしてグラフとノード埋め込みのテクニックのセットを使用します。
- 参考スコア（独自算出の注目度）: 0.5134435281973136
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Learning distributions of graphs can be used for automatic drug discovery,
molecular design, complex network analysis, and much more. We present an
improved framework for learning generative models of graphs based on the idea
of deep state machines. To learn state transition decisions we use a set of
graph and node embedding techniques as memory of the state machine.
Our analysis is based on learning the distribution of random graph generators
for which we provide statistical tests to determine which properties can be
learned and how well the original distribution of graphs is represented. We
show that the design of the state machine favors specific distributions. Models
of graphs of size up to 150 vertices are learned. Code and parameters are
publicly available to reproduce our results.
- Abstract（参考訳）: グラフの学習分布は、自動薬物発見、分子設計、複雑なネットワーク分析などに利用できる。
本稿では,ディープステートマシンの考え方に基づくグラフ生成モデル学習のための改良フレームワークを提案する。
状態遷移の決定を学ぶには、ステートマシンのメモリとしてグラフとノードの埋め込み技術を使う。
解析はランダムグラフ生成器の分布を学習し,どの特性が学習可能か,どのようにグラフの原分布が表現されるのかを統計的に検証した。
状態マシンの設計は特定の分布を好むことを示す。
最大150頂点までのグラフのモデルが学習される。
コードとパラメータは、結果の再現のために公開されています。
関連論文リスト
- GraphRCG: Self-Conditioned Graph Generation [78.69810678803248]
本稿では,グラフ分布を明示的にモデル化する自己条件付きグラフ生成フレームワークを提案する。
本フレームワークは, 既存のグラフ生成手法に比べて, 学習データに対するグラフ品質と忠実度において優れた性能を示す。
論文 参考訳（メタデータ） (2024-03-02T02:28:20Z) - Representation learning in multiplex graphs: Where and how to fuse
information? [5.0235828656754915]
多重グラフはよりリッチな情報を持ち、より良いモデリング機能を提供し、潜在的に異なるソースからより詳細なデータを統合する。
本稿では,マルチプレックスネットワークにおけるノードの表現を教師なしあるいは自己管理的に学習する問題に対処する。
多重グラフを扱うGNNアーキテクチャの構築方法の改善を提案する。
論文 参考訳（メタデータ） (2024-02-27T21:47:06Z) - Generating In-Distribution Proxy Graphs for Explaining Graph Neural Networks [17.71313964436965]
GNNの説明可能性のための一般的なパラダイムは、ラベルを元のグラフと比較することで説明可能な部分グラフを特定することである。
この課題は、トレーニングセットの元のグラフから説明可能なサブグラフのセットへの相当な分布シフトのため、難しい。
本稿では,学習データの分布を示す説明可能な部分グラフのプロキシグラフを生成する手法を提案する。
論文 参考訳（メタデータ） (2024-02-03T05:19:02Z) - Spectral Augmentations for Graph Contrastive Learning [50.149996923976836]
コントラスト学習は、監督の有無にかかわらず、表現を学習するための第一の方法として現れてきた。
近年の研究では、グラフ表現学習における事前学習の有用性が示されている。
本稿では,グラフの対照的な目的に対する拡張を構築する際に,候補のバンクを提供するためのグラフ変換操作を提案する。
論文 参考訳（メタデータ） (2023-02-06T16:26:29Z) - State of the Art and Potentialities of Graph-level Learning [54.68482109186052]
グラフレベルの学習は、比較、回帰、分類など、多くのタスクに適用されている。
グラフの集合を学習する伝統的なアプローチは、サブストラクチャのような手作りの特徴に依存している。
ディープラーニングは、機能を自動的に抽出し、グラフを低次元表現に符号化することで、グラフレベルの学習をグラフの規模に適応させるのに役立っている。
論文 参考訳（メタデータ） (2023-01-14T09:15:49Z) - A generative neural network model for random dot product graphs [1.1421942894219896]
GraphMoEは、ランダムグラフの生成モデルを学ぶための新しいアプローチである。
ニューラルネットワークは、モーメント推定器を用いて、ランダムグラフのクラスの分布と一致するように訓練される。
論文 参考訳（メタデータ） (2022-04-15T19:59:22Z) - Learning Graphon Autoencoders for Generative Graph Modeling [91.32624399902755]
Graphonは任意のサイズでグラフを生成する非パラメトリックモデルであり、グラフから簡単に誘導できる。
解析可能でスケーラブルなグラフ生成モデルを構築するために,textitgraphon autoencoder という新しいフレームワークを提案する。
線形グルーポン分解モデルはデコーダとして機能し、潜在表現を活用して誘導されたグルーポンを再構成する。
論文 参考訳（メタデータ） (2021-05-29T08:11:40Z) - A Tunable Model for Graph Generation Using LSTM and Conditional VAE [1.399948157377307]
データからグラフの構造的特徴を学習しながら、特定の特徴をチューニングできる生成モデルを提案する。
モデルによって生成される様々な特徴を持つグラフのデータセットを用いて、我々のモデルが特定の特徴を持つグラフを生成できることを確認する。
論文 参考訳（メタデータ） (2021-04-15T06:47:14Z) - Dirichlet Graph Variational Autoencoder [65.94744123832338]
本稿では,グラフクラスタメンバシップを潜在因子とするDGVAE(Dirichlet Graph Variational Autoencoder)を提案する。
バランスグラフカットにおける低パス特性により、入力グラフをクラスタメンバシップにエンコードする、Heattsと呼ばれるGNNの新しい変種を提案する。
論文 参考訳（メタデータ） (2020-10-09T07:35:26Z) - Auto-decoding Graphs [91.3755431537592]
生成モデルは、潜在コードからグラフを合成することを学ぶ自動デコーダである。
グラフは、おそらく接続パターンを特定するためにトレーニングされた自己アテンションモジュールを使用して合成される。
論文 参考訳（メタデータ） (2020-06-04T14:23:01Z)
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。