論文の概要: Structural Landmarking and Interaction Modelling: on Resolution Dilemmas
in Graph Classification
- arxiv url: http://arxiv.org/abs/2006.15763v1
- Date: Mon, 29 Jun 2020 01:01:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 13:38:53.870544
- Title: Structural Landmarking and Interaction Modelling: on Resolution Dilemmas
in Graph Classification
- Title（参考訳）: 構造ランドマークと相互作用モデリング:グラフ分類における解像度ジレンマについて
- Authors: Kai Zhang, Yaokang Zhu, Jun Wang, Jie Zhang, Hongyuan Zha
- Abstract要約: 解法ジレンマの統一概念に基づくグラフ分類における本質的難易度の研究」
構造ランドマークと相互作用モデリングのためのインダクティブニューラルネットワークモデルSLIM'を提案する。
- 参考スコア（独自算出の注目度）: 50.83222170524406
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph neural networks are promising architecture for learning and inference
with graph-structured data. Yet difficulties in modelling the ``parts'' and
their ``interactions'' still persist in terms of graph classification, where
graph-level representations are usually obtained by squeezing the whole graph
into a single vector through graph pooling. From complex systems point of view,
mixing all the parts of a system together can affect both model
interpretability and predictive performance, because properties of a complex
system arise largely from the interaction among its components. We analyze the
intrinsic difficulty in graph classification under the unified concept of
``resolution dilemmas'' with learning theoretic recovery guarantees, and
propose ``SLIM'', an inductive neural network model for Structural Landmarking
and Interaction Modelling. It turns out, that by solving the resolution
dilemmas, and leveraging explicit interacting relation between component parts
of a graph to explain its complexity, SLIM is more interpretable, accurate, and
offers new insight in graph representation learning.
- Abstract（参考訳）: グラフニューラルネットワークは、グラフ構造化データによる学習と推論に有望なアーキテクチャである。
しかし、 '`parts' と '`interactions'' をモデル化する困難さは、グラフプールを通してグラフ全体を単一のベクトルに絞ることでグラフレベルの表現が得られるグラフ分類の観点で依然として続いている。
複雑なシステムの観点から、システムのすべての部分を混ぜ合わせることは、複雑なシステムの特性は、そのコンポーネント間の相互作用から生じるため、モデル解釈可能性と予測性能の両方に影響を与える可能性がある。
本研究では,「解像ジレンマ」という統一概念の下でのグラフ分類における本質的難しさを分析し,構造ランドマークと相互作用モデリングのための帰納的ニューラルネットワークモデルである「スリム」を提案する。
その結果、解法ジレンマを解き、その複雑さを説明するためにグラフの構成要素間の明示的な相互作用関係を活用することで、SLIMはより解釈可能で正確であり、グラフ表現学習における新たな洞察を提供することがわかった。
関連論文リスト
- Self-Supervised Graph Neural Networks for Enhanced Feature Extraction in Heterogeneous Information Networks [16.12856816023414]
本稿では,インターネットの急速な発展に伴う複雑なグラフデータ処理におけるグラフニューラルネットワーク(GNN)の適用と課題について考察する。
自己監督機構を導入することにより、グラフデータの多様性と複雑さに対する既存モデルの適合性を向上させることが期待されている。
論文 参考訳（メタデータ） (2024-10-23T07:14:37Z) - Introducing Diminutive Causal Structure into Graph Representation Learning [19.132025125620274]
本稿では,グラフニューラルネット(GNN)が専門的な最小の因果構造から洞察を得ることを可能にする新しい手法を提案する。
本手法は,これらの小型因果構造のモデル表現から因果知識を抽出する。
論文 参考訳（メタデータ） (2024-06-13T00:18:20Z) - GNNAnatomy: Systematic Generation and Evaluation of Multi-Level Explanations for Graph Neural Networks [20.05098366613674]
本稿では,グラフ分類タスクの多段階説明の生成と評価を目的とした視覚解析システムであるGNNAnatomyを紹介する。
GNNAnatomyは、グラフレット、原始グラフサブ構造を用いて、GNN予測とグラフレット周波数の相関を分析することにより、グラフクラスで最も重要なサブ構造を識別する。
社会学・生物学領域からの合成および実世界のグラフデータセットのケーススタディを通して,GNN解剖学の有効性を実証する。
論文 参考訳（メタデータ） (2024-06-06T23:09:54Z) - GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。
提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。
第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文 参考訳（メタデータ） (2022-12-01T11:49:07Z) - Neural Graphical Models [2.6842860806280058]
本稿では,複雑な特徴依存を合理的な計算コストで表現するために,NGM(Neural Graphical Models)を導入する。
ニューラルネットワークをマルチタスク学習フレームワークとして使用することにより,機能間の依存関係構造と複雑な関数表現をキャプチャする。
NGMは、有向グラフ、無向グラフ、混合エッジグラフを含む一般的なグラフ構造に適合し、混合入力データ型をサポートする。
論文 参考訳（メタデータ） (2022-10-02T07:59:51Z) - Towards Explanation for Unsupervised Graph-Level Representation Learning [108.31036962735911]
既存の説明手法は,教師付き設定,例えばノード分類,グラフ分類に重点を置いているが,教師なしグラフレベルの表現学習に関する説明はまだ探索されていない。
本稿では,非教師付きグラフ表現における説明問題に対処するために,インフォメーション・ボトルネックの原則(IB)を推進し,新しい原理であるtextitUnsupervised Subgraph Information Bottleneck(USIB)を導出する。
また,グラフ表現とラベル空間上の説明部分グラフの関連性も理論的に解析し,表現の堅牢性が説明部分グラフの忠実性に寄与することを明らかにする。
論文 参考訳（メタデータ） (2022-05-20T02:50:15Z) - Learning Graph Structure from Convolutional Mixtures [119.45320143101381]
本稿では、観測されたグラフと潜伏グラフのグラフ畳み込み関係を提案し、グラフ学習タスクをネットワーク逆(デコンボリューション)問題として定式化する。
固有分解に基づくスペクトル法の代わりに、近似勾配反復をアンロール・トランケートして、グラフデコンボリューションネットワーク(GDN)と呼ばれるパラメータ化ニューラルネットワークアーキテクチャに到達させる。
GDNは、教師付き方式でグラフの分布を学習し、損失関数を適応させることでリンク予測やエッジウェイト回帰タスクを実行し、本質的に帰納的である。
論文 参考訳（メタデータ） (2022-05-19T14:08:15Z) - SUGAR: Subgraph Neural Network with Reinforcement Pooling and
Self-Supervised Mutual Information Mechanism [33.135006052347194]
本稿では,グラフ分類のための階層型サブグラフレベル選択および埋め込み型グラフニューラルネットワーク,すなわちシュガーを提案する。
SUGARは、原グラフの代表的な部分として印象的なサブグラフを抽出し、サブグラフレベルのパターンを明らかにすることにより、スケッチグラフを再構築する。
グラフ間の部分グラフ表現を区別するために,自己教師付き相互情報機構を提案する。
論文 参考訳（メタデータ） (2021-01-20T15:06:16Z) - GraphOpt: Learning Optimization Models of Graph Formation [72.75384705298303]
本稿では,グラフ構造形成の暗黙的モデルを学ぶエンドツーエンドフレームワークを提案し,その基盤となる最適化機構を明らかにする。
学習した目的は、観測されたグラフプロパティの説明として機能し、ドメイン内の異なるグラフを渡すために自分自身を貸すことができる。
GraphOptは、グラフ内のリンク生成をシーケンシャルな意思決定プロセスとして、最大エントロピー逆強化学習アルゴリズムを用いて解決する。
論文 参考訳（メタデータ） (2020-07-07T16:51:39Z) - Tensor Graph Convolutional Networks for Multi-relational and Robust
Learning [74.05478502080658]
本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。
提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
論文 参考訳（メタデータ） (2020-03-15T02:33:21Z)
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。