Fugu-MT 論文翻訳(概要): HNHN: Hypergraph Networks with Hyperedge Neurons

論文の概要: HNHN: Hypergraph Networks with Hyperedge Neurons

arxiv url: http://arxiv.org/abs/2006.12278v1
Date: Mon, 22 Jun 2020 14:08:32 GMT
ステータス: 処理完了
システム内更新日: 2022-11-18 05:04:04.263749
Title: HNHN: Hypergraph Networks with Hyperedge Neurons
Title（参考訳）: HNHN: ハイパーエッジニューロンを用いたハイパーグラフネットワーク
Authors: Yihe Dong, Will Sawin, Yoshua Bengio
Abstract要約: HNHNはハイパーグラフ畳み込みネットワークであり、ハイパーノードとハイパーエッジの両方に非線形活性化関数が適用される。実世界のデータセットの分類精度と速度の両面でのHNHNの性能向上を示す。
参考スコア（独自算出の注目度）: 90.15253035487314
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Hypergraphs provide a natural representation for many real world datasets. We propose a novel framework, HNHN, for hypergraph representation learning. HNHN is a hypergraph convolution network with nonlinear activation functions applied to both hypernodes and hyperedges, combined with a normalization scheme that can flexibly adjust the importance of high-cardinality hyperedges and high-degree vertices depending on the dataset. We demonstrate improved performance of HNHN in both classification accuracy and speed on real world datasets when compared to state of the art methods.
Abstract（参考訳）: ハイパーグラフは多くの現実世界のデータセットに自然な表現を提供する。本稿ではハイパーグラフ表現学習のための新しいフレームワークhnhnを提案する。 HNHNは、ハイパーノードとハイパーエッジの両方に非線形アクティベーション関数が適用されるハイパーグラフ畳み込みネットワークであり、データセットに依存する高次ハイパーエッジと高次頂点の重要性を柔軟に調整できる正規化スキームと組み合わせることができる。そこで本研究では,実世界のデータセットの分類精度と速度の両面でhnhnの性能向上を実証する。

関連論文リスト

Hypergraph Transformer for Semi-Supervised Classification [50.92027313775934]
我々は新しいハイパーグラフ学習フレームワークHyperGraph Transformer(HyperGT)を提案する。 HyperGTはTransformerベースのニューラルネットワークアーキテクチャを使用して、すべてのノードとハイパーエッジのグローバル相関を効果的に検討する。局所接続パターンを保ちながら、グローバルな相互作用を効果的に組み込むことで、包括的なハイパーグラフ表現学習を実現する。
論文参考訳（メタデータ） (2023-12-18T17:50:52Z)
From Hypergraph Energy Functions to Hypergraph Neural Networks [94.88564151540459]
パラメータ化されたハイパーグラフ正規化エネルギー関数の表現型族を示す。次に、これらのエネルギーの最小化がノード埋め込みとして効果的に機能することを実証する。提案した双レベルハイパーグラフ最適化と既存のGNNアーキテクチャを共通的に用いている。
論文参考訳（メタデータ） (2023-06-16T04:40:59Z)
Tensorized Hypergraph Neural Networks [69.65385474777031]
我々は,新しいアジャケーシテンソルベースのtextbfTensorized textbfHypergraph textbfNeural textbfNetwork (THNN) を提案する。 THNNは高次外装機能パッシングメッセージを通じて、忠実なハイパーグラフモデリングフレームワークである。 3次元視覚オブジェクト分類のための2つの広く使われているハイパーグラフデータセットの実験結果から、モデルの有望な性能を示す。
論文参考訳（メタデータ） (2023-06-05T03:26:06Z)
A Hypergraph Neural Network Framework for Learning Hyperedge-Dependent Node Embeddings [39.9678554461845]
ハイパーグラフニューラルネットワーク(HNN)と呼ばれるハイパーグラフ表現学習フレームワークを導入する。 HNNはハイパーグラフの各ノードに対するハイパーエッジ依存の埋め込みセットとともに、ハイパーエッジ埋め込みを共同で学習する。 HNNは全ベースラインモデルとハイパーエッジ予測およびハイパーグラフノード分類のためのグラフで7.72%と11.37%の全体平均ゲインを達成した。
論文参考訳（メタデータ） (2022-12-28T19:45:38Z)
Equivariant Hypergraph Diffusion Neural Operators [81.32770440890303]
ハイパーグラフを符号化するためにニューラルネットワークを使用するハイパーグラフニューラルネットワーク(HNN)は、データの高次関係をモデル化する有望な方法を提供する。本研究ではED-HNNと呼ばれる新しいHNNアーキテクチャを提案する。実世界の9つのハイパーグラフデータセットのノード分類におけるED-HNNの評価を行った。
論文参考訳（メタデータ） (2022-07-14T06:17:00Z)
Hypergraph Convolutional Networks via Equivalency between Hypergraphs and Undirected Graphs [59.71134113268709]
本稿では,EDVWおよびEIVWハイパーグラフを処理可能な一般学習フレームワークであるGeneral Hypergraph Spectral Convolution(GHSC)を提案する。本稿では,提案するフレームワークが最先端の性能を達成できることを示す。ソーシャルネットワーク分析,視覚的客観的分類,タンパク質学習など,様々な分野の実験により,提案手法が最先端の性能を達成できることが実証された。
論文参考訳（メタデータ） (2022-03-31T10:46:47Z)
Learnable Hypergraph Laplacian for Hypergraph Learning [34.28748027233654]
HyperGraph Convolutional Neural Networks (HGCNN) は、グラフ構造化データに保存された高次関係をモデル化する可能性を示した。我々はHypERgrAph Laplacian aDaptor(HERALD)と呼ばれる適応的なハイパーグラフ構造を構築するための最初の学習ベース手法を提案する。 HERALDは、ハイパーノードとハイパーエッジの隣接関係をエンドツーエンドで適応的に最適化し、タスク認識ハイパーグラフを学習する。
論文参考訳（メタデータ） (2021-06-12T02:07:07Z)
Learnable Hypergraph Laplacian for Hypergraph Learning [34.28748027233654]
HyperGraph Convolutional Neural Networks (HGCNN) は、グラフ構造化データに保存された高次関係をモデル化する可能性を示した。我々はHypERgrAph Laplacian aDaptor(HERALD)と呼ばれる適応的なハイパーグラフ構造を構築するための最初の学習ベース手法を提案する。 HERALDは、ハイパーノードとハイパーエッジの隣接関係をエンドツーエンドで適応的に最適化し、タスク認識ハイパーグラフを学習する。
論文参考訳（メタデータ） (2021-06-10T12:37:55Z)
Residual Enhanced Multi-Hypergraph Neural Network [26.42547421121713]
HyperGraph Neural Network (HGNN) はハイパーグラフ表現学習のためのデファクト手法である。本稿では,各ハイパーグラフからのマルチモーダル情報を効果的に融合できるResidual enhanced Multi-Hypergraph Neural Networkを提案する。
論文参考訳（メタデータ） (2021-05-02T14:53:32Z)

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。