論文の概要: TreeRNN: Topology-Preserving Deep GraphEmbedding and Learning
- arxiv url: http://arxiv.org/abs/2006.11825v2
- Date: Wed, 22 Jul 2020 13:45:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-18 12:32:18.450340
- Title: TreeRNN: Topology-Preserving Deep GraphEmbedding and Learning
- Title（参考訳）: TreeRNN: トポロジを保存するディープグラフ埋め込みと学習
- Authors: Yecheng Lyu, Ming Li, Xinming Huang, Ulkuhan Guler, Patrick Schaumont,
Ziming Zhang
- Abstract要約: 本研究では,グラフを木に転送する手法について検討し,特徴統合を局所的からグローバル的へと導くための明確な順序を学習する。
グラフツリー画像からパターンを最もよく学習するために,2次元RNNアーキテクチャであるTreeRNNを提案する。
- 参考スコア（独自算出の注目度）: 24.04035265351755
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: General graphs are difficult for learning due to their irregular structures.
Existing works employ message passing along graph edges to extract local
patterns using customized graph kernels, but few of them are effective for the
integration of such local patterns into global features. In contrast, in this
paper we study the methods to transfer the graphs into trees so that explicit
orders are learned to direct the feature integration from local to global. To
this end, we apply the breadth first search (BFS) to construct trees from the
graphs, which adds direction to the graph edges from the center node to the
peripheral nodes. In addition, we proposed a novel projection scheme that
transfer the trees to image representations, which is suitable for conventional
convolution neural networks (CNNs) and recurrent neural networks (RNNs). To
best learn the patterns from the graph-tree-images, we propose TreeRNN, a 2D
RNN architecture that recurrently integrates the image pixels by rows and
columns to help classify the graph categories. We evaluate the proposed method
on several graph classification datasets, and manage to demonstrate comparable
accuracy with the state-of-the-art on MUTAG, PTC-MR and NCI1 datasets.
- Abstract（参考訳）: 一般的なグラフは不規則な構造のため学習が難しい。
既存の作業では、グラフエッジに沿ってメッセージパッシングを使用して、カスタマイズされたグラフカーネルを使用してローカルパターンを抽出するが、これらのローカルパターンをグローバル機能に統合するのに有効であるものは少ない。
対照的に,本論文では,グラフを木に移し,明示的な順序を学習し,特徴統合を局所からグローバルへと導く手法について検討する。
この目的のために,我々は,中心ノードから周辺ノードまでのグラフエッジへの方向を付加するグラフから木を構築するために,幅の広い第1探索(bfs)を適用する。
さらに,従来の畳み込みニューラルネットワーク(CNN)やリカレントニューラルネットワーク(RNN)に適した,木を画像表現に転送する新しいプロジェクション手法を提案する。
グラフツリーイメージからパターンを最もよく学ぶために、treernnを提案する。treernnは2d rnnアーキテクチャで、画像ピクセルを行と列で再統合し、グラフのカテゴリを分類する。
提案手法をいくつかのグラフ分類データセットで評価し, MUTAG, PTC-MR, NCI1データセット上での最先端の精度を示す。
関連論文リスト
- GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based
Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。
本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-01-17T13:04:23Z) - Graph Transformer GANs with Graph Masked Modeling for Architectural
Layout Generation [153.92387500677023]
本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。
提案したグラフ変換器エンコーダは、局所的およびグローバルな相互作用をモデル化するために、Transformer内のグラフ畳み込みと自己アテンションを組み合わせる。
また,グラフ表現学習のための自己指導型事前学習手法を提案する。
論文 参考訳（メタデータ） (2024-01-15T14:36:38Z) - Local Structure-aware Graph Contrastive Representation Learning [12.554113138406688]
複数のビューからノードの構造情報をモデル化するための局所構造対応グラフ比較表現学習法(LS-GCL)を提案する。
ローカルビューでは、各ターゲットノードのセマンティックサブグラフが共有GNNエンコーダに入力され、サブグラフレベルに埋め込まれたターゲットノードを取得する。
グローバルな視点では、元のグラフはノードの必要不可欠な意味情報を保存しているので、共有GNNエンコーダを利用して、グローバルなグラフレベルでターゲットノードの埋め込みを学習する。
論文 参考訳（メタデータ） (2023-08-07T03:23:46Z) - Learning Adaptive Neighborhoods for Graph Neural Networks [45.94778766867247]
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エンドツーエンド学習を可能にする。
本稿では,グラフトポロジを構築する新しいエンドツーエンドの微分可能なグラフ生成器を提案する。
私たちのモジュールは、グラフ畳み込み操作を含む既存のパイプラインに簡単に統合できます。
論文 参考訳（メタデータ） (2023-07-18T08:37:25Z) - Training Graph Neural Networks on Growing Stochastic Graphs [114.75710379125412]
グラフニューラルネットワーク(GNN)は、ネットワーク化されたデータの意味のあるパターンを活用するために、グラフ畳み込みに依存している。
我々は,成長するグラフ列の極限オブジェクトであるグラフオンを利用して,非常に大きなグラフ上のGNNを学習することを提案する。
論文 参考訳（メタデータ） (2022-10-27T16:00:45Z) - Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。
GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。
提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
論文 参考訳（メタデータ） (2022-03-03T09:53:53Z) - A Robust and Generalized Framework for Adversarial Graph Embedding [73.37228022428663]
本稿では,AGE という逆グラフ埋め込みのための頑健なフレームワークを提案する。
AGEは、暗黙の分布から強化された負のサンプルとして偽の隣接ノードを生成する。
本フレームワークでは,3種類のグラフデータを扱う3つのモデルを提案する。
論文 参考訳（メタデータ） (2021-05-22T07:05:48Z) - Neural Trees for Learning on Graphs [19.05038106825347]
グラフニューラルネットワーク(GNN)は、グラフを学習するための柔軟で強力なアプローチとして登場した。
我々はニューラルツリーという新しいGNNアーキテクチャを提案する。
神経木アーキテクチャは無向グラフ上の任意の滑らかな確率分布関数を近似できることを示す。
論文 参考訳（メタデータ） (2021-05-15T17:08:20Z) - Co-embedding of Nodes and Edges with Graph Neural Networks [13.020745622327894]
グラフ埋め込みは、高次元および非ユークリッド特徴空間でデータ構造を変換しエンコードする方法である。
CensNetは一般的なグラフ埋め込みフレームワークで、ノードとエッジの両方を潜在機能空間に埋め込む。
提案手法は,4つのグラフ学習課題における最先端のパフォーマンスを達成または一致させる。
論文 参考訳（メタデータ） (2020-10-25T22:39:31Z) - GraphCrop: Subgraph Cropping for Graph Classification [36.33477716380905]
我々は,サブ構造欠落の現実的なノイズをシミュレートするtextbfGraphCrop (Subgraph Cropping) データ拡張法を開発した。
グラフ分類のための有効な構造コンテキストを保存することにより、GNNはグローバルな意味でグラフ構造の内容を理解することを奨励する。
論文 参考訳（メタデータ） (2020-09-22T14:05:41Z) - Graphs, Convolutions, and Neural Networks: From Graph Filters to Graph
Neural Networks [183.97265247061847]
我々はグラフ信号処理を活用してグラフニューラルネットワーク(GNN)の表現空間を特徴付ける。
GNNにおけるグラフ畳み込みフィルタの役割について議論し、そのようなフィルタで構築されたアーキテクチャは、置換同値の基本的な性質と位相変化に対する安定性を持つことを示す。
また,ロボット群に対するリコメンデータシステムや分散型コントローラの学習におけるGNNの利用について検討した。
論文 参考訳（メタデータ） (2020-03-08T13:02:15Z)
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。