Fugu-MT 論文翻訳(概要): Adaptive Graph Encoder for Attributed Graph Embedding

論文の概要: Adaptive Graph Encoder for Attributed Graph Embedding

arxiv url: http://arxiv.org/abs/2007.01594v1
Date: Fri, 3 Jul 2020 10:20:34 GMT
ステータス: 処理完了
システム内更新日: 2022-11-14 04:35:03.249430
Title: Adaptive Graph Encoder for Attributed Graph Embedding
Title（参考訳）: 有意グラフ埋め込みのための適応グラフエンコーダ
Authors: Ganqu Cui, Jie Zhou, Cheng Yang, Zhiyuan Liu
Abstract要約: 分散グラフ埋め込みは、グラフトポロジとノード特徴からベクトル表現を学ぶ。本稿では,新しい属性グラフ埋め込みフレームワークであるAdaptive Graph(AGE)を提案する。 4つの公開ベンチマークデータセットを用いてノードクラスタリングとリンク予測タスクのAGEを検証する実験を行った。
参考スコア（独自算出の注目度）: 36.06427854846497
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Attributed graph embedding, which learns vector representations from graph topology and node features, is a challenging task for graph analysis. Recently, methods based on graph convolutional networks (GCNs) have made great progress on this task. However,existing GCN-based methods have three major drawbacks. Firstly,our experiments indicate that the entanglement of graph convolutional filters and weight matrices will harm both the performance and robustness. Secondly, we show that graph convolutional filters in these methods reveal to be special cases of generalized Laplacian smoothing filters, but they do not preserve optimal low-pass characteristics. Finally, the training objectives of existing algorithms are usually recovering the adjacency matrix or feature matrix, which are not always consistent with real-world applications. To address these issues, we propose Adaptive Graph Encoder (AGE), a novel attributed graph embedding framework. AGE consists of two modules: (1) To better alleviate the high-frequency noises in the node features, AGE first applies a carefully-designed Laplacian smoothing filter. (2) AGE employs an adaptive encoder that iteratively strengthens the filtered features for better node embeddings. We conduct experiments using four public benchmark datasets to validate AGE on node clustering and link prediction tasks. Experimental results show that AGE consistently outperforms state-of-the-art graph embedding methods considerably on these tasks.
Abstract（参考訳）: グラフトポロジーとノードの特徴からベクトル表現を学ぶ、帰結グラフ埋め込みは、グラフ分析にとって困難なタスクである。近年, グラフ畳み込みネットワーク (GCN) に基づく手法がこの課題に大きく進展している。しかし、既存のGCNベースの手法には3つの大きな欠点がある。まず、実験により、グラフ畳み込みフィルタと重み行列の絡み合いが性能とロバスト性の両方に影響を及ぼすことが示された。第二に、これらの手法におけるグラフ畳み込みフィルタは一般化されたラプラシアスムージングフィルタの特別な場合であるが、最適低域特性を保たないことを示す。最後に、既存のアルゴリズムのトレーニング目的は通常、現実のアプリケーションと必ずしも一致しない隣接行列や特徴行列を回復する。これらの問題に対処するため,新しい属性グラフ埋め込みフレームワークであるAdaptive Graph Encoder (AGE)を提案する。 AGEは2つのモジュールから構成される: 1) ノード機能における高周波ノイズを緩和するために、AGEはまず慎重に設計されたラプラシアスムースティングフィルタを適用する。 2) AGEは適応エンコーダを使用し、より優れたノード埋め込みのためにフィルタ機能を反復的に強化する。 4つの公開ベンチマークデータセットを用いてノードクラスタリングとリンク予測タスクのAGEを検証する実験を行った。実験結果から、AGEはこれらのタスクにおいて、最先端のグラフ埋め込み手法よりもはるかに優れていることがわかった。

関連論文リスト

Amplify Graph Learning for Recommendation via Sparsity Completion [16.32861024767423]
グラフ学習モデルは、協調フィルタリング(CF)ベースのレコメンデーションシステムに広くデプロイされている。データ疎度の問題により、元の入力のグラフ構造は潜在的な肯定的な嗜好エッジを欠いている。 AGL-SC(Amplify Graph Learning framework)を提案する。
論文参考訳（メタデータ） (2024-06-27T08:26:20Z)
Spectral Greedy Coresets for Graph Neural Networks [61.24300262316091]
ノード分類タスクにおける大規模グラフの利用は、グラフニューラルネットワーク(GNN)の現実的な応用を妨げる本稿では,GNNのグラフコアセットについて検討し,スペクトル埋め込みに基づくエゴグラフの選択により相互依存の問題を回避する。我々のスペクトルグレディグラフコアセット(SGGC)は、数百万のノードを持つグラフにスケールし、モデル事前学習の必要性を排除し、低ホモフィリーグラフに適用する。
論文参考訳（メタデータ） (2024-05-27T17:52:12Z)
ADA-GAD: Anomaly-Denoised Autoencoders for Graph Anomaly Detection [84.0718034981805]
我々はAnomaly-Denoized Autoencoders for Graph Anomaly Detection (ADA-GAD)という新しいフレームワークを導入する。第1段階では,異常レベルを低減したグラフを生成する学習自由な異常化拡張法を設計する。次の段階では、デコーダは元のグラフで検出するために再訓練される。
論文参考訳（メタデータ） (2023-12-22T09:02:01Z)
SimTeG: A Frustratingly Simple Approach Improves Textual Graph Learning [131.04781590452308]
テキストグラフ学習におけるフラストレーションに富んだアプローチであるSimTeGを提案する。まず、下流タスクで予め訓練されたLM上で、教師付きパラメータ効率の微調整(PEFT)を行う。次に、微調整されたLMの最後の隠れ状態を用いてノード埋め込みを生成する。
論文参考訳（メタデータ） (2023-08-03T07:00:04Z)
Adaptive Kernel Graph Neural Network [21.863238974404474]
グラフニューラルネットワーク(GNN)は,グラフ構造化データの表現学習において大きな成功を収めている。本稿では,AKGNN(Adaptive Kernel Graph Neural Network)という新しいフレームワークを提案する。 AKGNNは、最初の試みで最適なグラフカーネルに統一的に適応することを学ぶ。評価されたベンチマークデータセットで実験を行い、提案したAKGNNの優れた性能を示す有望な結果を得た。
論文参考訳（メタデータ） (2021-12-08T20:23:58Z)
Graph Denoising with Framelet Regularizer [25.542429117462547]
本稿では,特徴雑音と構造雑音の両面からグラフデータの正則化を行う。本モデルでは, グラフが汚染されている場合でも, 一般的なグラフ畳み込みと比較して, 性能が著しく向上する。
論文参考訳（メタデータ） (2021-11-05T05:17:23Z)
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)
Pseudoinverse Graph Convolutional Networks: Fast Filters Tailored for Large Eigengaps of Dense Graphs and Hypergraphs [0.0]
Graph Convolutional Networks (GCNs) は、グラフベースのデータセットで半教師付き分類を行うツールとして成功している。本稿では,三部フィルタ空間が高密度グラフを対象とする新しいGCN変種を提案する。
論文参考訳（メタデータ） (2020-08-03T08:48:41Z)
Heuristic Semi-Supervised Learning for Graph Generation Inspired by Electoral College [80.67842220664231]
本稿では,新たなノードやエッジを自動的に拡張して,高密度サブグラフ内のラベル類似性を向上する,新しい前処理手法であるElectoral College(ELCO)を提案する。テストされたすべての設定において、我々の手法はベースモデルの平均スコアを4.7ポイントの広いマージンで引き上げるとともに、常に最先端のモデルよりも優れています。
論文参考訳（メタデータ） (2020-06-10T14:48:48Z)
Unsupervised Graph Embedding via Adaptive Graph Learning [85.28555417981063]
グラフオートエンコーダ(GAE)は、グラフ埋め込みのための表現学習において強力なツールである。本稿では,2つの新しい教師なしグラフ埋め込み法,適応グラフ学習(BAGE)による教師なしグラフ埋め込み,変分適応グラフ学習(VBAGE)による教師なしグラフ埋め込みを提案する。いくつかのデータセットに関する実験的研究により、我々の手法がノードクラスタリング、ノード分類、グラフ可視化タスクにおいて、ベースラインよりも優れていることが実証された。
論文参考訳（メタデータ） (2020-03-10T02:33:14Z)

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。