論文の概要: Graph Neural Networks in TensorFlow and Keras with Spektral
- arxiv url: http://arxiv.org/abs/2006.12138v1
- Date: Mon, 22 Jun 2020 10:56:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-18 04:54:06.888263
- Title: Graph Neural Networks in TensorFlow and Keras with Spektral
- Title（参考訳）: Spektralを使ったTensorFlowとKerasのグラフニューラルネットワーク
- Authors: Daniele Grattarola, Cesare Alippi
- Abstract要約: Spektralは、グラフニューラルネットワークを構築するためのオープンソースのPythonライブラリである。
メッセージパッシングやプール演算子など,グラフの深層学習のための多数のメソッドを実装している。
絶対的な初心者や専門的なディープラーニング実践者にも適しています。
- 参考スコア（独自算出の注目度）: 18.493394650508044
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper we present Spektral, an open-source Python library for building
graph neural networks with TensorFlow and the Keras application programming
interface. Spektral implements a large set of methods for deep learning on
graphs, including message-passing and pooling operators, as well as utilities
for processing graphs and loading popular benchmark datasets. The purpose of
this library is to provide the essential building blocks for creating graph
neural networks, focusing on the guiding principles of user-friendliness and
quick prototyping on which Keras is based. Spektral is, therefore, suitable for
absolute beginners and expert deep learning practitioners alike. In this work,
we present an overview of Spektral's features and report the performance of the
methods implemented by the library in scenarios of node classification, graph
classification, and graph regression.
- Abstract（参考訳）: 本稿では、TensorFlowとKerasアプリケーションプログラミングインタフェースを用いてグラフニューラルネットワークを構築するためのオープンソースのPythonライブラリであるSpektralについて述べる。
spektralは、メッセージパスやプール演算子、グラフの処理や人気のあるベンチマークデータセットの読み込みのためのユーティリティなど、グラフのディープラーニングのための多数のメソッドを実装している。
このライブラリの目的は、Kerasがベースとするユーザフレンドリ性の原則とクイックプロトタイピングを中心に、グラフニューラルネットワークを作成するための必須のビルディングブロックを提供することである。
したがって、スペクトラールは絶対的な初心者や専門的なディープラーニング実践者にも適している。
本稿では,spektralの特徴を概観し,ノード分類,グラフ分類,グラフ回帰のシナリオにおいて,ライブラリによって実装された手法の性能を報告する。
関連論文リスト
- Know Your Neighborhood: General and Zero-Shot Capable Binary Function Search Powered by Call Graphlets [0.7646713951724013]
本稿では,コールグラフレットと呼ばれる新しいグラフデータ表現を組み合わせた,新しい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。
専門的なグラフニューラルネットワークモデルは、このグラフ表現に基づいて動作し、セマンティックバイナリコードの類似性を符号化する特徴ベクトルにマッピングすることを学ぶ。
実験結果から,コールグラフレットと新しいグラフニューラルネットワークアーキテクチャを組み合わせることで,同等あるいは最先端の性能が得られることがわかった。
論文 参考訳（メタデータ） (2024-06-02T18:26:50Z) - 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 Classification Gaussian Processes via Spectral Features [7.474662887810221]
グラフ分類は、その構造とノード属性に基づいてグラフを分類することを目的としている。
本研究では,スペクトル特徴を導出するグラフ信号処理ツールを用いて,この課題に取り組むことを提案する。
このような単純なアプローチであっても、学習されたパラメータがなくても、強力なニューラルネットワークやグラフカーネルのベースラインと比較して、競争力のあるパフォーマンスが得られることを示す。
論文 参考訳（メタデータ） (2023-06-06T15:31:05Z) - Convolutional Learning on Multigraphs [153.20329791008095]
我々は、多グラフ上の畳み込み情報処理を開発し、畳み込み多グラフニューラルネットワーク(MGNN)を導入する。
情報拡散の複雑なダイナミクスを多グラフのエッジのクラス間で捉えるために、畳み込み信号処理モデルを定式化する。
我々は,計算複雑性を低減するため,サンプリング手順を含むマルチグラフ学習アーキテクチャを開発した。
導入されたアーキテクチャは、最適な無線リソース割り当てとヘイトスピーチローカライゼーションタスクに適用され、従来のグラフニューラルネットワークよりも優れたパフォーマンスを提供する。
論文 参考訳（メタデータ） (2022-09-23T00:33:04Z) - Graph Kernel Neural Networks [53.91024360329517]
本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。
これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。
私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
論文 参考訳（メタデータ） (2021-12-14T14:48:08Z) - Temporal Graph Network Embedding with Causal Anonymous Walks
Representations [54.05212871508062]
本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。
評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。
欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
論文 参考訳（メタデータ） (2021-08-19T15:39:52Z) - Implementing graph neural networks with TensorFlow-Keras [1.6114012813668934]
グラフニューラルネットワークは、最近多くの注目を集めた汎用的な機械学習アーキテクチャです。
本技術報告では,Keras-Kerasモデルに対する畳み込み層とプール層の実装について述べる。
論文 参考訳（メタデータ） (2021-03-07T10:46:02Z) - Efficient Graph Deep Learning in TensorFlow with tf_geometric [53.237754811019464]
グラフ深層学習のための効率的でフレンドリなライブラリであるtf_geometricを導入する。
tf_geometricは、人気のあるGNNの実装と同様に、グラフニューラルネットワーク(GNN)を構築するためのカーネルライブラリを提供する。
カーネルライブラリは、グラフデータ構造、グラフマップ-リデュースフレームワーク、グラフミニバッチ戦略など、効率的なGNNを構築するためのインフラストラクチャで構成されている。
論文 参考訳（メタデータ） (2021-01-27T17:16:36Z) - 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) - Little Ball of Fur: A Python Library for Graph Sampling [8.089234432461804]
Little Ball of Furは、20以上のグラフサンプリングアルゴリズムを含むPythonライブラリである。
本稿では,ソーシャルネットワークとWebグラフのグローバルな統計を推定することにより,図書館の実用性を示す。
論文 参考訳（メタデータ） (2020-06-08T01:35:24Z)
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。